論文の概要: Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models

• arxiv url: http://arxiv.org/abs/2505.15934v1
• Date: Wed, 21 May 2025 18:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.86874
• Title: Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models
• Title（参考訳）: ガウス過程モデルによる海底スケールにおけるマデン・ジュリア振動の予測可能性の向上
• Authors: Haoyuan Chen, Emil Constantinescu, Vishwas Rao, Cristiana Stan,
• Abstract要約: マデン・ジュリアン振動(マデン・ジュリアン・オシレーション、英語: Madden-Julian Oscillation、MJO)は、地球規模の気象パターンを調節する上で重要な役割を担っている気候現象である。 ニューラルネットワークのようなほとんどの機械学習アルゴリズムは、MJO予測における不確実性レベルを直接提供できない。
• 参考スコア（独自算出の注目度）: 0.8749675983608172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Madden--Julian Oscillation (MJO) is an influential climate phenomenon that plays a vital role in modulating global weather patterns. In spite of the improvement in MJO predictions made by machine learning algorithms, such as neural networks, most of them cannot provide the uncertainty levels in the MJO forecasts directly. To address this problem, we develop a nonparametric strategy based on Gaussian process (GP) models. We calibrate GPs using empirical correlations and we propose a posteriori covariance correction. Numerical experiments demonstrate that our model has better prediction skills than the ANN models for the first five lead days. Additionally, our posteriori covariance correction extends the probabilistic coverage by more than three weeks.
• Abstract（参考訳）: マデン・ジュリアン振動(マデン・ジュリアン・オシレーション、英語: Madden-Julian Oscillation、MJO)は、地球規模の気象パターンを調節する上で重要な役割を担っている気候現象である。 ニューラルネットワークのような機械学習アルゴリズムによるMJO予測の改善にもかかわらず、ほとんどの場合、MJO予測における不確実性レベルを直接提供することはできない。 この問題に対処するため,ガウス過程(GP)モデルに基づく非パラメトリック戦略を開発する。 実験相関を用いてGPを校正し, 後部共分散補正を提案する。 数値実験により,最初の5日間のANNモデルよりも予測能力が優れていることが示された。 さらに, 後方共分散補正により3週間以上の確率的カバレッジが延長された。

関連論文リスト

• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• A Deconfounding Approach to Climate Model Bias Correction [26.68810227550602]
  地球温暖化モデル(GCM)は、地球系をシミュレートすることで、将来の気候変動を予測するのに不可欠である。 GCMは、モデルの不確実性、パラメータ化の単純化、複雑な気候現象の不十分な表現による体系的なバイアスを示す。 本稿では,GCMと観測データの両方を用いて,多原因共同創設者を捉える因子モデルを学習するための新しいバイアス補正手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:53:35Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。 GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。 その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• 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)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。