Fugu-MT 論文翻訳(概要): Enhancing Tropical Cyclone Path Forecasting with an Improved Transformer Network

論文の概要: Enhancing Tropical Cyclone Path Forecasting with an Improved Transformer Network

arxiv url: http://arxiv.org/abs/2505.00495v1
Date: Thu, 01 May 2025 12:48:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:55.302465
Title: Enhancing Tropical Cyclone Path Forecasting with an Improved Transformer Network
Title（参考訳）: 改良型変圧器ネットワークによる熱帯循環経路予測の強化
Authors: Nguyen Van Thanh, Nguyen Dang Huynh, Nguyen Ngoc Tan, Nguyen Thai Minh, Nguyen Nam Hoang,
Abstract要約: ストームトラジェクトリーが頻繁に変化するため、ストーム予測は非常に難しい。本研究では,今後6時間にわたって嵐の移動軌跡を予測するために,トランスフォーマーネットワークを用いた改良された深層学習手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A storm is a type of extreme weather. Therefore, forecasting the path of a storm is extremely important for protecting human life and property. However, storm forecasting is very challenging because storm trajectories frequently change. In this study, we propose an improved deep learning method using a Transformer network to predict the movement trajectory of a storm over the next 6 hours. The storm data used to train the model was obtained from the National Oceanic and Atmospheric Administration (NOAA) [1]. Simulation results show that the proposed method is more accurate than traditional methods. Moreover, the proposed method is faster and more cost-effective
Abstract（参考訳）: 嵐は極端な天候の一種です。そのため、人命と財産を守るためには、嵐の経路を予測することが極めて重要である。しかし、嵐の軌跡が頻繁に変化するため、嵐の予測は非常に困難である。本研究では,今後6時間にわたって嵐の移動軌跡を予測するために,トランスフォーマーネットワークを用いた改良された深層学習手法を提案する。モデル訓練に使用された嵐データは、NOAA(National Oceanic and Atmospheric Administration) [1] から得られた。シミュレーションの結果,提案手法は従来の手法よりも精度が高いことがわかった。さらに,提案手法はより高速で費用対効果が高い。

関連論文リスト

LASSE: Learning Active Sampling for Storm Tide Extremes in Non-Stationary Climate Regimes [1.8434042562191815]
我々は、サロゲートモデルが精度、リコール、精度の観点から有望であることを示す。本稿では,高潮発生サイクロンを迅速に探索するオンライン学習手法を提案する。ダウンスケールTCの広範囲なカタログでは、希少な破壊嵐を回収する精度が100%であることが示されている。
論文参考訳（メタデータ） (2024-12-30T21:51:09Z)
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Advancing Spatio-temporal Storm Surge Prediction with Hierarchical Deep Neural Networks [1.024113475677323]
北アメリカの沿岸地域は、ハリケーンや非東海岸で発生した暴風雨による大きな脅威に直面している。従来の数値モデルは正確ではあるが計算コストが高く、リアルタイム予測の実用性に限界がある。本研究では,階層型ディープニューラルネットワーク(HDNN)と畳み込みオートエンコーダ(CAE)を組み合わせることで,嵐発生時系列を高精度かつ効率的に予測する手法を提案する。
論文参考訳（メタデータ） (2024-10-01T15:09:40Z)
Implicit Assimilation of Sparse In Situ Data for Dense & Global Storm Surge Forecasting [3.052088487918602]
ニューラルネットワークは, 沈み込みゲージデータと粗大な海洋状態の再解析とを暗黙的に同化して, 暴風の予報を行うことができることを示す。これまでの作業は既知のゲージに限られていたが、我々のアプローチは未掘削の場所にまで拡張され、世界的な暴風雨予報への道が開かれた。
論文参考訳（メタデータ） (2024-04-05T21:28:56Z)
TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文参考訳（メタデータ） (2024-03-15T03:27:39Z)
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)
Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文参考訳（メタデータ） (2023-12-06T19:46:06Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
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)
Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
論文参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。