論文の概要: Deep Learning Imputation of Missing Radius of Maximum Winds (Rmax) Values in Tropical Cyclone Best-Track Data

• arxiv url: http://arxiv.org/abs/2608.09683v1
• Date: Mon, 10 Aug 2026 14:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.320363
• Title: Deep Learning Imputation of Missing Radius of Maximum Winds (Rmax) Values in Tropical Cyclone Best-Track Data
• Title（参考訳）: 熱帯サイクロンベストトラックデータにおける最大風速(Rmax)値欠落半径の深層学習計算
• Abstract要約: 本研究では,1次元畳み込みニューラルネットワーク (1DCNN) やLong Short-Term Memory (LSTM) ネットワーク,従来の機械学習モデルなど,Rmax計算のためのデータ駆動型アプローチを評価する。 物理インフォームド入力の強化,時間的モデリング,および伝達学習をRAFTおよびSTORMデータセットを用いて検討し,精密チューニングのためのIBTrACSデータの事前学習と観察を行った。
• 参考スコア（独自算出の注目度）: 0.4536498671882179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic coastal hazard assessments require accurate characterization of tropical cyclone (TC) parameters, yet datasets often contain missing records for the radius of maximum winds (Rmax), a key variable in Joint Probability Method analyses. This study evaluates data-driven approaches for Rmax imputation, including one-dimensional Convolutional Neural Networks (1DCNNs), Long Short-Term Memory (LSTM) networks, and conventional machine learning models. We examine physics-informed input augmentation, temporal modeling, and transfer learning using synthetic RAFT and STORM datasets for pre-training and observational IBTrACS data for fine-tuning. Including the radius of 34-knot winds (R34) substantially improves performance across all model types. Temporal models achieve higher average correlations than non-temporal models despite using approximately an order of magnitude fewer samples, indicating better preservation of relative Rmax variability across storms. This advantage is more pronounced when R34 is unavailable, suggesting temporal information can partially compensate for missing storm-size predictors. Transfer learning does not improve performance, likely because synthetic datasets have lower and less variable Rmax distributions than IBTrACS. These findings demonstrate the potential of temporal deep learning for reconstructing incomplete TC records and highlight the importance of physics-informed inputs, observational data availability, and distributional consistency in coastal hazard assessment.
• Abstract（参考訳）: 確率的沿岸ハザード評価は熱帯サイクロン(TC)パラメータの正確な評価を必要とするが、データセットには最大風の半径(Rmax)の欠落の記録がしばしば含まれており、これはジョイント確率法(Joint Probability Method)の分析における重要な変数である。 本研究では,1次元畳み込みニューラルネットワーク (1DCNN) やLong Short-Term Memory (LSTM) ネットワーク,従来の機械学習モデルなど,Rmax計算のためのデータ駆動型アプローチを評価する。 物理インフォームド入力の強化,時間的モデリング,および伝達学習をRAFTおよびSTORMデータセットを用いて検討し,精密チューニングのためのIBTrACSデータの事前学習と観察を行った。 半径34ノットの風(R34)を含めると、全てのモデルで性能が大幅に向上する。 テンポラルモデルでは, 嵐間の相対的なRmax変動の保存性の向上が示唆されるが, 非時間モデルよりも高い平均相関性が得られる。 この利点は、R34が利用できないときにより顕著であり、時間情報は嵐の大きさの予測器を部分的に補うことができることを示唆している。 IBTrACSに比べて、合成データセットのRmax分布が小さく、変動が少ないため、転送学習では性能が向上しない可能性が高い。 これらの結果は,不完全なTCレコードの再構成における時間的深層学習の可能性を示し,物理インフォームドインプットの重要性,観測データ可用性,沿岸危険度評価における分布整合性を強調した。

関連論文リスト

• Evaluating Machine Learning Models for Post-Wildfire Debris-Flow Prediction [2.3379613890114395]
  火災後の土砂流の予測は, 火災の被害軽減に不可欠である。 予測性能,特徴重要度,合成データ拡張の観点から,機械学習モデルの評価を行った。 この作業は、山火事後のデブリ-フロー予測を改善するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-08-05T17:54:15Z)
• When to Retrain after Drift: A Data-Only Test of Post-Drift Data Size Sufficiency [17.084943743566217]
  CALIPERは検出器とモデルに依存しないデータのみのテストであり、安定した再訓練に必要なデータサイズを推定する。 私たちは、CALIPERが無視できるオーバーヘッドを発生させ、しばしばインクリメンタルアップデートよりも優れたパフォーマンスを保ちながら、再トレーニングのための最高の固定データサイズを一貫して一致または超過していることを示します。
  論文  参考訳（メタデータ） (2026-03-09T23:43:56Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets [0.0]
  本研究では、非定常計算流体力学(CFD)シミュレーションを高速化するための高度な畳み込みニューラルネットワーク(CNN)アーキテクチャの比較を行った。 CNNは, 自己回帰時系列予測において, 予測精度とロバスト性を決定するために, 同一条件下で評価された。 ConvLSTM-UNetは、特に差値計算において、より低い最大誤差と安定した残差を達成する他のモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-06T03:30:49Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
  リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。 本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。 この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
  論文  参考訳（メタデータ） (2022-07-04T12:52:38Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• A Systematic Exploration of Reservoir Computing for Forecasting Complex Spatiotemporal Dynamics [0.0]
  Reservoir Computer (RC) は、本質的にカオス力学系の予測アーキテクチャに成功しているリカレントニューラルネットワークの一種である。 多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討する。 ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用について述べる。
  論文  参考訳（メタデータ） (2022-01-21T22:31:12Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。