論文の概要: Exploring Machine Learning, Deep Learning, and Explainable AI Methods for Seasonal Precipitation Prediction in South America

• arxiv url: http://arxiv.org/abs/2512.13910v1
• Date: Mon, 15 Dec 2025 21:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.502052
• Title: Exploring Machine Learning, Deep Learning, and Explainable AI Methods for Seasonal Precipitation Prediction in South America
• Title（参考訳）: 南米における季節降水予測のための機械学習、ディープラーニング、説明可能なAI手法の探索
• Authors: Matheus Corrêa Domingos, Valdivino Alexandre de Santiago Júnior, Juliana Aparecida Anochi, Elcio Hideiti Shiguemori, Luísa Mirelle Costa dos Santos, Hércules Carlos dos Santos Pereira, André Estevam Costa Oliveira,
• Abstract要約: 本研究では,南アメリカの降水予測における純粋にデータ駆動型アプローチの可能性について検討した。 選択された古典的ML技術はランダムフォレストと極勾配増強(XGBoost)であり、DLは1D畳み込みニューラルネットワーク(CNN 1D)、長期記憶(LSTM)モデル、ゲートリカレントユニット(GRU)モデルであった。 本研究は,主要気象・気候予報センターにおける気象予報のためのDLモデルの実現可能性を確認し,グローバルな傾向を固めるものである。
• 参考スコア（独自算出の注目度）: 2.084547583236646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting meteorological variables is challenging due to the complexity of their processes, requiring advanced models for accuracy. Accurate precipitation forecasts are vital for society. Reliable predictions help communities mitigate climatic impacts. Based on the current relevance of artificial intelligence (AI), classical machine learning (ML) and deep learning (DL) techniques have been used as an alternative or complement to dynamic modeling. However, there is still a lack of broad investigations into the feasibility of purely data-driven approaches for precipitation forecasting. This study aims at addressing this issue where different classical ML and DL approaches for forecasting precipitation in South America, taking into account all 2019 seasons, are considered in a detailed investigation. The selected classical ML techniques were Random Forests and extreme gradient boosting (XGBoost), while the DL counterparts were a 1D convolutional neural network (CNN 1D), a long short-term memory (LSTM) model, and a gated recurrent unit (GRU) model. Additionally, the Brazilian Global Atmospheric Model (BAM) was used as a representative of the traditional dynamic modeling approach. We also relied on explainable artificial intelligence (XAI) to provide some explanations for the models behaviors. LSTM showed strong predictive performance while BAM, the traditional dynamic model representative, had the worst results. Despite presented the higher latency, LSTM was most accurate for heavy precipitation. If cost is a concern, XGBoost offers lower latency with slightly accuracy loss. The results of this research confirm the viability of DL models for climate forecasting, solidifying a global trend in major meteorological and climate forecasting centers.
• Abstract（参考訳）: 気象変数の予測はプロセスの複雑さのために困難であり、高精度なモデルが必要である。 正確な降水予測は社会にとって不可欠である。 信頼性の高い予測は、コミュニティが気候への影響を軽減するのに役立つ。 現在の人工知能(AI)、古典的機械学習(ML)、ディープラーニング(DL)技術は、動的モデリングの代替または補完として使われている。 しかし、降水量予測のための純粋にデータ駆動型アプローチの可能性については、まだ広く調査されていない。 本研究は,2019年の全シーズンを考慮し,南アメリカの降水量の予測に異なる古典的MLとDLがアプローチする問題に対処することを目的とする。 選択された古典的ML技術はランダムフォレストと極勾配増強(XGBoost)であり、DLは1D畳み込みニューラルネットワーク(CNN 1D)、長期記憶(LSTM)モデル、ゲートリカレントユニット(GRU)モデルであった。 さらに、ブラジルのグローバル大気モデル (BAM) は伝統的な動的モデリング手法の代表として用いられた。 また、モデル動作を説明するために、説明可能な人工知能(XAI)も利用しました。 LSTMは高い予測性能を示し、従来の動的モデルの代表であるBAMは最悪の結果となった。 LSTMは高いレイテンシを示したにもかかわらず、降水量では最も正確であった。 コストが懸念される場合、XGBoostは少しの精度の低下を伴う低レイテンシを提供する。 本研究は,主要気象・気候予報センターにおける気象予報のためのDLモデルの実現可能性を確認し,グローバルな傾向を固めるものである。

関連論文リスト

• Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
  マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。 このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。 実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-11T00:42:31Z)
• 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)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
  本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
  論文  参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。