論文の概要: An AutoML Framework using AutoGluonTS for Forecasting Seasonal Extreme Temperatures

• arxiv url: http://arxiv.org/abs/2509.17734v1
• Date: Mon, 22 Sep 2025 13:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.396312
• Title: An AutoML Framework using AutoGluonTS for Forecasting Seasonal Extreme Temperatures
• Title（参考訳）: 季節極低温予測のためのAutoGluonTSを用いたAutoMLフレームワーク
• Authors: Pablo Rodríguez-Bocca, Guillermo Pereira, Diego Kiedanski, Soledad Collazo, Sebastián Basterrech, Gerardo Rubino,
• Abstract要約: 本稿は、中期(90日間)における日中最高気温に関する事象の予測に焦点を当てる。 我々は1981年から南アメリカにある気象観測所から情報を収集する大規模な歴史的データセットを作成しました。 太平洋、大西洋、インド洋の盆地も統合しました。 このAutoMLツールは、この気候問題に対処する大規模な運用プラットフォームに対して、競争力のある予測性能を示す。
• 参考スコア（独自算出の注目度）: 0.29907287985468917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, great progress has been made in the field of forecasting meteorological variables. Recently, deep learning architectures have made a major breakthrough in forecasting the daily average temperature over a ten-day horizon. However, advances in forecasting events related to the maximum temperature over short horizons remain a challenge for the community. A problem that is even more complex consists in making predictions of the maximum daily temperatures in the short, medium, and long term. In this work, we focus on forecasting events related to the maximum daily temperature over medium-term periods (90 days). Therefore, instead of addressing the problem from a meteorological point of view, this article tackles it from a climatological point of view. Due to the complexity of this problem, a common approach is to frame the study as a temporal classification problem with the classes: maximum temperature "above normal", "normal" or "below normal". From a practical point of view, we created a large historical dataset (from 1981 to 2018) collecting information from weather stations located in South America. In addition, we also integrated exogenous information from the Pacific, Atlantic, and Indian Ocean basins. We applied the AutoGluonTS platform to solve the above-mentioned problem. This AutoML tool shows competitive forecasting performance with respect to large operational platforms dedicated to tackling this climatological problem; but with a "relatively" low computational cost in terms of time and resources.
• Abstract（参考訳）: 近年,気象変動の予測分野において大きな進展が見られた。 近年、ディープラーニングアーキテクチャは10日間の地平線上での日平均気温の予測において大きなブレークスルーを遂げている。 しかし、短い地平線上での最大気温に関する予測の進展は、コミュニティにとって課題である。 さらに複雑な問題は、短期、中期、長期の最大日温を予測することである。 本研究は,中期(90日間)における日中最高気温に関する事象の予測に焦点をあてる。 したがって、気象学的観点からの問題に対処する代わりに、気候学的観点から対処する。 この問題の複雑さのため、一般的なアプローチは、研究を時間的分類問題として分類することである: 最大温度は「正常以上」、「正常以下」、「正常以下」である。 実践的な観点から、南アメリカにある気象観測所から情報を収集する大規模な歴史的データセット(1981年から2018年まで)を作成しました。 さらに,太平洋,大西洋,インド洋の海盆からの外来情報も統合した。 上記の問題を解決するためにAutoGluonTSプラットフォームを適用した。 このAutoMLツールは、この気候問題に取り組むための大規模な運用プラットフォームに対して、競争力のある予測性能を示す。

関連論文リスト

• Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
  本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• Super Resolution On Global Weather Forecasts [0.1747623282473278]
  グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。 具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
  論文  参考訳（メタデータ） (2024-09-17T19:07:13Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction [23.075528272022282]
  本稿では,データ駆動型気象エミュレータの予測可能性範囲をS2Sタイムスケールに拡張するChaosBenchを提案する。 ChaosBench は、海、氷、土地の再分析生成物を含む、典型的な大気圏 ERA5 以外の変数で構成されている。 我々は、4つの国家気象機関による物理ベースの予測を、我々のデータ駆動の予測のベースラインとして評価した。
  論文  参考訳（メタデータ） (2024-02-01T16:07:12Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
  最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
  論文  参考訳（メタデータ） (2021-03-17T16:10:06Z)

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。