論文の概要: Multidata Causal Discovery for Statistical Hurricane Intensity Forecasting

• arxiv url: http://arxiv.org/abs/2510.02050v1
• Date: Thu, 02 Oct 2025 14:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.281965
• Title: Multidata Causal Discovery for Statistical Hurricane Intensity Forecasting
• Title（参考訳）: 統計的ハリケーン強度予測のためのマルチデータ因果探索
• Authors: Saranya Ganesh S., Frederick Iat-Hin Tam, Milton S. Gomez, Marie McGraw, Mark DeMaria, Kate Musgrave, Jakob Runge, Tom Beucler,
• Abstract要約: 我々は、統計的ハリケーン強度予測スキーム(SHIPS)に基づく複製データセットを用いたマルチデータ因果探索フレームワークを活用する。 ハリケーンの強度変化と因果関係のある予測器を同定・選択する実験を行った。 我々は複数の線形回帰モデルを訓練し、因果的特徴選択を選択、相関、ランダムな森林特徴重要度なしで比較する。
• 参考スコア（独自算出の注目度）: 4.887733645928834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving statistical forecasts of Atlantic hurricane intensity is limited by complex nonlinear interactions and difficulty in identifying relevant predictors. Conventional methods prioritize correlation or fit, often overlooking confounding variables and limiting generalizability to unseen tropical storms. To address this, we leverage a multidata causal discovery framework with a replicated dataset based on Statistical Hurricane Intensity Prediction Scheme (SHIPS) using ERA5 meteorological reanalysis. We conduct multiple experiments to identify and select predictors causally linked to hurricane intensity changes. We train multiple linear regression models to compare causal feature selection with no selection, correlation, and random forest feature importance across five forecast lead times from 1 to 5 days (24 to 120 hours). Causal feature selection consistently outperforms on unseen test cases, especially for lead times shorter than 3 days. The causal features primarily include vertical shear, mid-tropospheric potential vorticity and surface moisture conditions, which are physically significant yet often underutilized in hurricane intensity predictions. Further, we build an extended predictor set (SHIPS+) by adding selected features to the standard SHIPS predictors. SHIPS+ yields increased short-term predictive skill at lead times of 24, 48, and 72 hours. Adding nonlinearity using multilayer perceptron further extends skill to longer lead times, despite our framework being purely regional and not requiring global forecast data. Operational SHIPS tests confirm that three of the six added causally discovered predictors improve forecasts, with the largest gains at longer lead times. Our results demonstrate that causal discovery improves hurricane intensity prediction and pave the way toward more empirical forecasts.
• Abstract（参考訳）: 大西洋ハリケーン強度の統計的予測を改善するには、複雑な非線形相互作用と関連する予測器の特定が困難である。 従来の手法では相関や適合を優先し、しばしば不規則な変数を見落とし、目に見えない熱帯の嵐に一般化性を制限する。 これを解決するために、ERA5気象再解析を用いた統計的ハリケーン強度予測スキーム(SHIPS)に基づく複製データセットを用いたマルチデータ因果探索フレームワークを利用する。 ハリケーンの強度変化と因果関係のある予測器を同定し,選択するために,複数の実験を行った。 複数の線形回帰モデルを用いて,1～5日(24～120時間)の予測リードタイムにおいて,選択,相関,ランダムな森林特徴の重要度を考慮せずに因果的特徴の選択を比較した。 因果的特徴選択は、特に3日未満のリード時間において、目に見えないテストケースで一貫して優れています。 因果的特徴は、主に垂直せん断、中対流圏のポテンシャル渦性、表面水分条件である。 さらに、標準ShiPS予測器に選択された特徴を追加することにより、拡張予測器セット(SHIPS+)を構築する。 ShiPS+は24時間48時間72時間のリードタイムで短期予測能力を高める。 多層パーセプトロンを用いた非線形性の追加は、我々のフレームワークは純粋に地域的であり、グローバルな予測データを必要としないにもかかわらず、より長いリードタイムにスキルを拡大する。 運用上のShiPSテストでは、6つ追加で発見された予測器のうち3つが予測を改善し、リードタイムが長くなることが確認された。 以上の結果から,因果発見はハリケーンの強度予測を改善し,より経験的な予測への道を開くことが示唆された。

関連論文リスト

• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• An Extreme-Adaptive Time Series Prediction Model Based on Probability-Enhanced LSTM Neural Networks [6.5700527395783315]
  我々は、極端および正常な予測関数を同時に学習するNEC+と呼ばれる新しい確率強調型ニューラルネットワークモデルを提案する。 本研究では,カリフォルニアの9つの貯水池に適用された3日間の前向き水位予測課題について,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-11-29T03:01:59Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• 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。

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。