論文の概要: HURRI-GAN: A Novel Approach for Hurricane Bias-Correction Beyond Gauge Stations using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2603.06649v1
• Date: Fri, 27 Feb 2026 19:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.479449
• Title: HURRI-GAN: A Novel Approach for Hurricane Bias-Correction Beyond Gauge Stations using Generative Adversarial Networks
• Title（参考訳）: HURRI-GAN:ジェネレーティブ・ディバイサル・ネットワークを用いたゲージ・ステーションを越えたハリケーン・バイアス補正の新しいアプローチ
• Authors: Noujoud Nadera, Hadi Majed, Stefanos Giaremis, Rola El Osta, Clint Dawson, Carola Kaiser, Hartmut Kaiser,
• Abstract要約: HURRI-GANは、時系列生成対向ネットワーク(TimeGAN)を用いた物理シミュレーションモデルにより生成された結果を増大させる新しいAI駆動型アプローチである。 本研究では,水位ゲージ局の位置を超えた空間領域に対するモデル偏差補正法の最初の結果を示す。
• 参考スコア（独自算出の注目度）: 0.18656146690536282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The coastal regions of the eastern and southern United States are impacted by severe storm events, leading to significant loss of life and properties. Accurately forecasting storm surge and wind impacts from hurricanes is essential for mitigating some of the impacts, e.g., timely preparation of evacuations and other countermeasures. Physical simulation models like the ADCIRC hydrodynamics model, which run on high-performance computing resources, are sophisticated tools that produce increasingly accurate forecasts as the resolution of the computational meshes improves. However, a major drawback of these models is the significant time required to generate results at very high resolutions, which may not meet the near real-time demands of emergency responders. The presented work introduces HURRI-GAN, a novel AI-driven approach that augments the results produced by physical simulation models using time series generative adversarial networks (TimeGAN) to compensate for systemic errors of the physical model, thus reducing the necessary mesh size and runtime without loss in forecasting accuracy. We present first results in extrapolating model bias corrections for the spatial regions beyond the positions of the water level gauge stations. The presented results show that our methodology can accurately generate bias corrections at target locations spatially beyond gauge stations locations. The model's performance, as indicated by low root mean squared error (RMSE) values, highlights its capability to generate accurate extrapolated data. Applying the corrections generated by HURRI-GAN on the ADCIRC modeled water levels resulted in improving the overall prediction on the majority of the testing gauge stations.
• Abstract（参考訳）: アメリカ合衆国東部と南部沿岸部は激しい嵐の被害を受けており、生命と財産が著しく失われている。 ハリケーンによる高潮と風の影響を正確に予測することは、避難のタイムリーな準備や他の対策を緩和するために不可欠である。 高性能コンピューティングリソース上で動作するADCIRC流体力学モデルのような物理シミュレーションモデルは、計算メッシュの解像度が向上するにつれて、ますます正確な予測を生成する高度なツールである。 しかし、これらのモデルの大きな欠点は、非常に高い解像度で結果を生成するのに必要なかなりの時間である。 HURRI-GANは、時系列生成逆数ネットワーク(TimeGAN)を用いて物理シミュレーションモデルによって生成された結果を増大させ、物理モデルのシステム的エラーを補うことで、予測精度を損なうことなく、必要なメッシュサイズと実行時間を短縮する、新しいAI駆動型アプローチである。 本研究では,水位ゲージ局の位置を超えた空間領域に対するモデル偏差補正法の最初の結果を示す。 提案手法は, 目標位置の空間的偏差補正を, 測候所の向こう側で正確に生成できることを示す。 低ルート平均二乗誤差(RMSE)値で示されるモデルの性能は、正確な外挿データを生成する能力を強調している。 HURRI-GAN が生成した補正をADCIRC モデル水位に適用することにより,試験ゲージ局の大多数における全体的な予測精度が向上した。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy [0.7149367973754319]
  LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。 本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
  論文  参考訳（メタデータ） (2024-03-07T13:19:38Z)
• 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)
• 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)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)
• Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach [0.0]
  ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。 モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
  論文  参考訳（メタデータ） (2021-10-30T00:31:48Z)

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。