論文の概要: Gaussian Process Decorrelation for Spatiotemporal Deep Learning-Based Snow Water Equivalent Prediction

• arxiv url: http://arxiv.org/abs/2609.22182v1
• Date: Thu, 27 Aug 2026 19:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.760197
• Title: Gaussian Process Decorrelation for Spatiotemporal Deep Learning-Based Snow Water Equivalent Prediction
• Title（参考訳）: 時空間深層学習に基づく積雪水等価予測のためのガウス過程の補正
• Abstract要約: 米国西部では、スノーメルトは農業産業にとって不可欠であり、市町村の飲料水の主要な供給源となっている。 我々は,SNOTELネットワークにおける将来SWE値の予測問題に取り組む。 この空間的成分と時間的成分の分離は、複数のベースラインモデルよりも予測的成功をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 20.18516200099552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the Western United States, snowmelt is essential to the agricultural industry in addition to being a key source of municipal drinking water. Consequently, accurate snowpack forecasting is critical for water policy and management. Automated Snow Telemetry (SNOTEL) stations provide accurate daily measurements of snow water equivalent (SWE) that exhibit strong correlations in space and in time. We tackle the problem of predicting future SWE values across the SNOTEL network. Specifically, we use a Gaussian Process-based linear transformation to remove spatial correlations before training a long short-term memory (LSTM) neural network on the decorrelated SWE data. This approach allows the LSTM to learn a clean temporal signal at each station. We show that this separation of spatial and temporal components yields better predictive success than multiple baseline models. Furthermore, we incorporate conformal prediction to quantify uncertainty in the resulting SWE forecasts, providing a distribution-free approach to illustrate a potential framework for establishing predictive intervals for spatiotemporal data. Together, accurate point forecasts and distribution-free uncertainty quantification provide a framework for SWE accumulation forecasting on subseasonal scales or projecting SWE with future data while motivating and supporting future work in predicting a large-scale, spatiotemporally complete SWE map.
• Abstract（参考訳）: アメリカ合衆国西部では、スノーメルトは農業産業にとって不可欠であり、市町村の飲料水の主要な供給源となっている。 したがって、正確な積雪予測は水政策と管理にとって重要である。 SNOTEL(Automated Snow Telemetry)は、SWE(Snow Water equivalent)の正確な日量測定を行う。 我々は,SNOTELネットワーク上での将来のSWE値の予測問題に取り組む。 具体的には,ガウス過程に基づく線形変換を用いて空間相関を除去し,非相関SWEデータ上で長期記憶(LSTM)ニューラルネットワークをトレーニングする。 このアプローチによりLSTMは各ステーションでクリーンな時間信号を学ぶことができる。 この空間的成分と時間的成分の分離は、複数のベースラインモデルよりも予測的成功をもたらすことを示す。 さらに,SWE予測の不確かさを定量化するためにコンフォメーション予測を導入し,時空間データに対する予測間隔を確立するための潜在的枠組みを示す。 正確な点予測と分布のない不確実性定量化は、大規模で時空間的に完備なSWEマップの予測において、将来の作業の動機付けと支援をしながら、サブシーズンスケールでのSWE蓄積予測や将来のデータによるSWEの予測のためのフレームワークを提供する。

関連論文リスト

• High-resolution Calibrated Probabilistic Hourly Precipitation from a Deterministic Forecast [0.0]
  本手法は,2つのガンマ分布の重み付け混合物から無降水確率と正降水分布を予測した。 ニューラルネットワークは、気象会社の対流パーミットGRAFモデルによる数値気象予測(NWP)時の降水量のパッチに基づいて訓練される。 ネットワークは、モデルグリッドポイント毎に分布パラメータを出力する。
  論文  参考訳（メタデータ） (2026-08-13T01:03:52Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules [1.887852744008007]
  Space-time In situ Postprocessing (STIPP) は、ステーション位置のネットワークに対して一貫した天気予報を生成する機械学習モデルである。 トレーニングに適切なスコアリングルールを活用することで、STIPPは分散限界のみを監督する作業駆動型大気モデルに寄与する。
  論文  参考訳（メタデータ） (2026-01-06T10:07:20Z)
• RainBalance: Alleviating Dual Imbalance in GNSS-based Precipitation Nowcasting via Continuous Probability Modeling [17.783666279038673]
  降水流の二重不均衡問題に対処するための連続確率モデリングに基づくフレームワークであるRainBalanceを提案する。 この連続確率空間で学習することにより、このタスクは、単一および非バランスな降水ラベルの適合から連続確率ラベルの分布のモデル化へと再構成される。
  論文  参考訳（メタデータ） (2026-01-05T08:07:43Z)
• ForeSWE: Forecasting Snow-Water Equivalent with an Uncertainty-Aware Attention Model [14.244078924843924]
  深層学習と古典的確率論的手法を統合した新しい確率時間予測モデルであるForeSWEを提案する。 本研究は,米国西部の512駅から得られたデータをもとに評価を行った。
  論文  参考訳（メタデータ） (2025-11-12T00:25:01Z)
• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Attention-based Models for Snow-Water Equivalent Prediction [12.340236862664195]
  スノーウォーター等価(SWE、Snow Water-Equivalent)は、水管理機関が灌水、洪水制御、発電、干ばつ管理決定に使用する重要な決定変数である。 本稿では、SWE予測のための一般的な注意に基づくモデリングフレームワークを提案し、空間的注意と時間的注意に適応する。 米国内の323のSNOTEL局での観測結果から、我々の注意に基づくモデルは、他の機械学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-03T23:33:35Z)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。