論文の概要: Long-Term Spatio-Temporal Forecasting of Monthly Rainfall in West Bengal Using Ensemble Learning Approaches

• arxiv url: http://arxiv.org/abs/2510.13927v1
• Date: Wed, 15 Oct 2025 13:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.548543
• Title: Long-Term Spatio-Temporal Forecasting of Monthly Rainfall in West Bengal Using Ensemble Learning Approaches
• Title（参考訳）: アンサンブル学習を用いた西ベンガルにおける月降雨の長期時空間予測
• Authors: Jishu Adhikary, Raju Maiti,
• Abstract要約: 本研究は,西ベンガル19地区における月間降雨量の長期予測を考察した。 毎日の降雨記録は月刊にまとめられ、各地区で120年間観測される。 降雨力学の非線形構造と複雑な構造に対処するため,年次特徴の回帰に基づく予測と多層パーセプトロン(MLP)を組み合わせて月次予測を行う枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Rainfall forecasting plays a critical role in climate adaptation, agriculture, and water resource management. This study develops long-term forecasts of monthly rainfall across 19 districts of West Bengal using a century-scale dataset spanning 1900-2019. Daily rainfall records are aggregated into monthly series, resulting in 120 years of observations for each district. The forecasting task involves predicting the next 108 months (9 years, 2011-2019) while accounting for temporal dependencies and spatial interactions among districts. To address the nonlinear and complex structure of rainfall dynamics, we propose a hierarchical modeling framework that combines regression-based forecasting of yearly features with multi-layer perceptrons (MLPs) for monthly prediction. Yearly features, such as annual totals, quarterly proportions, variability measures, skewness, and extremes, are first forecasted using regression models that incorporate both own lags and neighboring-district lags. These forecasts are then integrated as auxiliary inputs into an MLP model, which captures nonlinear temporal patterns and spatial dependencies in the monthly series. The results demonstrate that the hierarchical regression-MLP architecture provides robust long-term spatio-temporal forecasts, offering valuable insights for agriculture, irrigation planning, and water conservation strategies.
• Abstract（参考訳）: 降雨予測は気候適応、農業、水資源管理において重要な役割を果たしている。 本研究は1900-2019年における西ベンガル19地区の年間降雨量の長期予測を作成した。 毎日の降雨記録は月刊にまとめられ、各地区で120年間観測される。 予測課題は、地域間の時間的依存関係と空間的相互作用を考慮しつつ、次の108ヶ月(2011-2019年9月)を予測することである。 降雨力学の非線形構造と複雑な構造に対処するために,年次特徴の回帰に基づく予測と多層パーセプトロン(MLP)を組み合わせた階層的モデリングフレームワークを提案する。 年間総数、四半期比、変動度、歪度、極度といった年次特徴は、まず、独自のラグと近隣のラグを組み込んだ回帰モデルを用いて予測される。 これらの予測はMLPモデルに補助的な入力として統合され、月次系列における非線形時間的パターンと空間的依存関係をキャプチャする。 その結果, 階層的回帰-MLPアーキテクチャは長期的長期的予測を堅牢に提供し, 農業, 灌水計画, 水環境保全戦略に価値ある洞察を提供することがわかった。

関連論文リスト

• A Spatio-Temporal Deep Learning Approach For High-Resolution Gridded Monsoon Prediction [0.0]
  インドモンスーン夏(英語: Indian Monsoon Summer、ISM)は、10億人を超える人々の農業、経済、水の安全に影響を及ぼす重要な気候現象である。 伝統的な長距離予測は主に、地域レベルの管理に不可欠な空間的詳細を欠いた、空間的に平均的な季節的価値の予測に焦点が当てられている。 本稿では,モンスーン予測を深部コンピュータビジョンタスクとして再編成する新しい学習フレームワークを提案する。 予測のための85年間のERA5再解析データと目標のためのIMD降雨データを用いて、コンボリューショナルニューラルネットワーク(CNN)に基づくアーキテクチャを用いて、複雑なモンスーン時代からの詳細なマッピングを学習する。
  論文  参考訳（メタデータ） (2026-01-05T14:02:04Z)
• Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework [5.484147776963721]
  本研究では,CNN-LSTMハイブリッドフレームワークに基づく多次元降水指数予測モデルを提案する。 このデータセットはインドのマハーラーシュトラ州プーンで1972年から2002年までの月間平均降水量のデータをカバーしている。 実験の結果,6.752の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-04-29T05:32:43Z)
• DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
  Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。 年間平均気温は2メートル(T2m)、海面温度(SST)である。 これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
  論文  参考訳（メタデータ） (2024-08-12T16:22:30Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• 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)
• Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
  本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。 相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。 回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
  論文  参考訳（メタデータ） (2022-11-29T01:11:04Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• 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。