論文の概要: Towards Location-Specific Precipitation Projections Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2503.14095v1
• Date: Tue, 18 Mar 2025 10:12:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:18.699282
• Title: Towards Location-Specific Precipitation Projections Using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた位置特異的降雨予測に向けて
• Authors: Bipin Kumar, Bhvisy Kumar Yadav, Soumypdeep Mukhopadhyay, Rakshit Rohan, Bhupendra Bahadur Singh, Rajib Chattopadhyay, Nagraju Chilukoti, Atul Kumar Sahai,
• Abstract要約: 本研究では,局別降水近似において,深部ニューラルネットワーク(DNN)を利用してKrigingのような従来の手法を超越したパラダイムシフトを提案する。 本稿では,降水量,標高,位置を利用したNNアーキテクチャと,湿度,温度,風速などの気象パラメータを付加したNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate precipitation estimates at individual locations are crucial for weather forecasting and spatial analysis. This study presents a paradigm shift by leveraging Deep Neural Networks (DNNs) to surpass traditional methods like Kriging for station-specific precipitation approximation. We propose two innovative NN architectures: one utilizing precipitation, elevation, and location, and another incorporating additional meteorological parameters like humidity, temperature, and wind speed. Trained on a vast dataset (1980-2019), these models outperform Kriging across various evaluation metrics (correlation coefficient, root mean square error, bias, and skill score) on a five-year validation set. This compelling evidence demonstrates the transformative power of deep learning for spatial prediction, offering a robust and precise alternative for station-specific precipitation estimation.
• Abstract（参考訳）: 個々の場所における正確な降水量の推定は、天気予報や空間分析に不可欠である。 本研究では,局別降水近似において,深部ニューラルネットワーク(DNN)を利用してKrigingのような従来の手法を超越したパラダイムシフトを提案する。 本稿では,降水量,標高,位置を利用したNNアーキテクチャと,湿度,温度,風速などの気象パラメータを付加したNNアーキテクチャを提案する。 大規模なデータセット(1980-2019)に基づいてトレーニングされたこれらのモデルは、さまざまな評価指標(相関係数、ルート平均二乗誤差、バイアス、スキルスコア)を5年間の検証セットで上回ります。 この説得力のある証拠は、深層学習の空間予測への変換力を示し、ステーション固有の降水推定の堅牢で正確な代替手段を提供する。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning [0.0]
  この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。 特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。 この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。 提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
  論文  参考訳（メタデータ） (2024-05-18T05:57:52Z)
• Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts [0.0]
  本稿では,ディープラーニングとモデル・アナログ予測を統合した解釈可能なモデル・アナログを提案する。 我々は,地域地球系モデルバージョン2大アンサンブルを用いて,季節ごとの時間スケールでエルニーニョ南部振動(ENSO)を予測する。 その結果,赤道太平洋海面温度異常の予測は9～12ヶ月で10%改善した。
  論文  参考訳（メタデータ） (2024-04-23T18:10:18Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• KNN, An Underestimated Model for Regional Rainfall Forecasting [6.421670116083633]
  本稿では,様々な機械学習アルゴリズムを適用した統合ツールの設計を目的とする。 Deep Neural Network, Wide Neural Network, Deep and Wide Neural Network, Reservoir Computing, Long Short Term Memory, Support Vector Machine, K-Nearest Neighborは、ニューヨーク州アップステートの異なる漁獲地における地域降水量の予測を行う。
  論文  参考訳（メタデータ） (2021-03-28T22:25:29Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。