論文の概要: RainCheck: Harnessing Historical Weather Data with Machine Learning for Rainfall Forecasting in Bangladesh

• arxiv url: http://arxiv.org/abs/2610.38211v1
• Date: Wed, 28 Oct 2026 03:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.365999
• Title: RainCheck: Harnessing Historical Weather Data with Machine Learning for Rainfall Forecasting in Bangladesh
• Title（参考訳）: RainCheck:バングラデシュの降雨予報のための機械学習による歴史的気象データを損なう
• Abstract要約: 機械学習による降雨予測は、しばしば駅記録をランダムなトレーニングとテストセットにシャッフルすることで評価される。 バングラデシュ35駅(1948-2014)の618,650日における両効果の定量化 降雨量の少ないモデルは、翌日の予測には真だが控えめなスキルを増す。 我々は、将来のステーションベース研究が保留年数に対する気候学を報告できるように、漏洩対応プロトコルとコードをリリースする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning rainfall forecasts are often evaluated by shuffling station records into random training and test sets. For rainfall, this lets a model see what happened at neighbouring stations on the very day it is asked to forecast, and it hides the fact that a seasonal lookup table already explains most of the variance. We quantify both effects on 618,650 station-days from 35 Bangladesh Meteorological Department stations (1948-2014). We compare random, temporal (train <=1999, test 2005-2014) and spatio-temporal (unseen stations and unseen years) evaluation, calendar-only versus antecedent-rainfall features, and six learners against climatology, persistence and SARIMA. Three findings stand out. First, a station-month climatology alone classifies high-rainfall months with 88.4% accuracy (AUC 0.950), and no learner improved on it by more than 0.8 points under temporal evaluation. Second, a calendar-only random forest reached a next-day wet-day AUC of 0.889 under a random split, higher than any model with real predictors under temporal evaluation, yet fell to 0.835, below climatology (0.859), on future years. Third, models with lagged rainfall add genuine but modest skill for next-day forecasts: a Brier skill score of 0.074 (95% CI 0.064-0.088) over climatology, rising to 0.091 when station and year inputs are removed and to 0.131 when other stations' same-day observations are added. A GRU sequence model matches but does not exceed gradient boosting, and skill disappears beyond a two-day lead. For monthly totals, no learner beat climatology significantly. We release a leakage-aware protocol and code so that future station-based studies report skill against climatology on held-out years.
• Abstract（参考訳）: 機械学習による降雨予測は、しばしば駅記録をランダムなトレーニングとテストセットにシャッフルすることで評価される。 降雨について、モデルが予測を依頼された日に隣の駅で何が起こったかを確認することができ、季節的なルックアップ表が既にそのばらつきの大半を説明しているという事実を隠蔽する。 バングラデシュ気象局35局(1948-2014)の618,650の駅日における両効果の定量化を行う。 本研究では,無作為,時差,時差(2005-2014)と時差(2005-2014)と時差(2005-2014)と,時差(2005-2014年)と,時差(2005-2014年)と,時差(2005-2014年)と,暦のみ,降雨(降雨)の特徴,気候,持続性,SARIMAに対する6人の学習者を比較した。 3つの発見がある。 第一に、月ごとの気候学は、高度降雨月を88.4%の精度で分類し(AUC 0.950)、時間的評価で0.8ポイント以上改善した学習者はいない。 第2に、カレンダーのみの無作為林は、時間的評価の下で実際の予測値を持つどのモデルよりも高い確率で、翌日の降雨量0.889に到達したが、将来の気候学(0.859)よりも0.835に低下した。 第三に、降雨量の少ないモデルでは、気候学上のブライアスキルスコアが0.074 (95% CI 0.064-0.088) となり、ステーションとイヤーインプットが除去された場合には0.091に、他のステーションの同日観測が加えられると0.131に上昇する。 GRUシーケンスモデルは一致するが、勾配上昇を超えず、スキルは2日間のリードを超えて消滅する。 月平均では、学習者が気候学に大きく勝ることはない。 我々は、将来のステーションベース研究が保留年数に対する気候学のスキルを報告できるように、リーク対応プロトコルとコードをリリースする。

関連論文リスト

• Zero-Shot Forecasting of In-Situ Soil Moisture and Temperature with a Time-Series Foundation Model [2.9686294158279414]
  時系列基礎モデルであるTimesFM 1を3つの土地管理体制を横断する27のセンサステーションから15分間の遠隔測定でゼロショットで評価した。 TimesFMはルールベースの統計予測ベースラインを21～76%下限のリードタイムで上回ったが、1日以上で6～79%減った。
  論文  参考訳（メタデータ） (2026-10-22T09:16:31Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification [23.605859261510407]
  従来のアンサンブルの数値天気予報は計算集約的である。 既存の機械学習ベースの天気予報アプローチは効率的で正確である。 正確なグローバル気象予測を生成する条件拡散モデルであるCoDiCastを提案する。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NWP forecasts [1.517355052203938]
  インド夏モンスーン(英語: Indian summer monsoon)は、インド亜大陸にまたがる10億人を超える人々に直接影響する、非常に複雑で重要な気象システムである。 正確な短期予測は、モンスーンの固有の非線形性と、マルチスケールドライバに対する感度のために、大きな科学的課題である。 本研究では,1日と3日の両方のリードタイムに着目し,夏期のインドにおける日降雨予測の問題に対処する。
  論文  参考訳（メタデータ） (2024-02-12T17:59:20Z)
• 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)
• 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)
• MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day [3.6704226968275258]
  我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。 このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
  論文  参考訳（メタデータ） (2022-03-11T10:22:57Z)
• A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
  我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。 次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。 その結果,全駅でWRF予測が顕著に改善したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-14T17:48:06Z)

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。