論文の概要: Graph Neural Networks for Enhancing Ensemble Forecasts of Extreme Rainfall

• arxiv url: http://arxiv.org/abs/2504.05471v1
• Date: Mon, 07 Apr 2025 20:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:14.801269
• Title: Graph Neural Networks for Enhancing Ensemble Forecasts of Extreme Rainfall
• Title（参考訳）: 極端降雨のアンサンブル予測を促進するグラフニューラルネットワーク
• Authors: Christopher Bülte, Sohir Maskey, Philipp Scholl, Jonas von Berg, Gitta Kutyniok,
• Abstract要約: 気候変動は極端な降水現象の発生を増大させ、インフラ、農業、公共の安全を脅かしている。 我々のフレームワークはグラフニューラルネットワークを利用してアンサンブル予測を後処理し、特に基礎となる分布の極端をモデル化する。 これにより、空間的依存関係を捕捉し、極端なイベントの予測精度を改善し、より信頼性の高い予測と、極端な降水と洪水のリスクを軽減することができる。
• 参考スコア（独自算出の注目度）: 12.89512966027616
• License:
• Abstract: Climate change is increasing the occurrence of extreme precipitation events, threatening infrastructure, agriculture, and public safety. Ensemble prediction systems provide probabilistic forecasts but exhibit biases and difficulties in capturing extreme weather. While post-processing techniques aim to enhance forecast accuracy, they rarely focus on precipitation, which exhibits complex spatial dependencies and tail behavior. Our novel framework leverages graph neural networks to post-process ensemble forecasts, specifically modeling the extremes of the underlying distribution. This allows to capture spatial dependencies and improves forecast accuracy for extreme events, thus leading to more reliable forecasts and mitigating risks of extreme precipitation and flooding.
• Abstract（参考訳）: 気候変動は極端な降水現象の発生を増大させ、インフラ、農業、公共の安全を脅かしている。 アンサンブル予測システムは確率予測を提供するが、極度の天候を捉えるのにバイアスと困難を示す。 後処理技術は予測精度を高めることを目的としているが、降水にはほとんど焦点を合わせず、複雑な空間依存性と尾の挙動を示す。 我々の新しいフレームワークは、グラフニューラルネットワークを利用してアンサンブル予測を後処理し、特に基礎となる分布の極端をモデル化する。 これにより、空間的依存関係を捕捉し、極端なイベントの予測精度を改善し、より信頼性の高い予測と、極端な降水と洪水のリスクを軽減することができる。

関連論文リスト

• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [44.203835175341]
  本稿では,グラフニューラルネットワーク(GNN)に基づくグローバル地域別ネスト気象予報フレームワークを提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで、マルチスケールグラフ構造を構築し、ターゲット領域を密度化し、局所的な高周波特性を捉える。 高分解能な地域予測のために,境界情報損失を軽減するニューラルネットワークネストグリッド法を提案する。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Skilful Precipitation Nowcasting Using NowcastNet [0.0]
  降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。 我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
  論文  参考訳（メタデータ） (2023-11-29T11:24:52Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)
• Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
  降雨予測のための自己注意型拡張畳み込み機構を提案する。 実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。 提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
  論文  参考訳（メタデータ） (2022-01-31T18:16:03Z)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• 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。