A case study of spatiotemporal forecasting techniques for weather forecasting

要約

実世界のプロセスの大部分は時空間的であり、それらによって生成されたデータは、空間的および時間的進化の両方を示します。
天気は、この領域に分類される最も重要なプロセスの 1 つであり、天気予報は私たちの日常業務の重要な部分になっています。
気象データの分析は、最も複雑で困難な作業と考えられています。
数値気象予測モデルは現在最先端のものですが、リソースを大量に消費し、時間がかかります。
数値予測の実行可能な代替手段として、時系列ベースのモデルが多数の研究で提案されています。
最近の研究は、主に特定の場所の天気予報に焦点を当てています。
したがって、モデルは一時的な相関関係のみをキャプチャできます。
この自己完結型のペーパーでは、地域のデータ駆動型の天気予報、つまり、複数の緯度経度ポイントで予測して時​​空間相関を取得するためのさまざまな方法について説明します。
結果は、時空間予測モデルが精度を向上させながら計算コストを削減することを示しました。
特に、提案されたテンソル トレインの動的モード分解ベースの予測モデルは、トレーニングを必要とせずに ConvLSTM に匹敵する精度を備えています。
NASA POWER 気象データセットを使用してモデルを評価し、現在の最新技術と比較します。

要約(オリジナル)

The majority of real-world processes are spatiotemporal, and the data generated by them exhibits both spatial and temporal evolution. Weather is one of the most important processes that fall under this domain, and forecasting it has become a crucial part of our daily routine. Weather data analysis is considered the most complex and challenging task. Although numerical weather prediction models are currently state-of-the-art, they are resource intensive and time-consuming. Numerous studies have proposed time-series-based models as a viable alternative to numerical forecasts. Recent research has primarily focused on forecasting weather at a specific location. Therefore, models can only capture temporal correlations. This self-contained paper explores various methods for regional data-driven weather forecasting, i.e., forecasting over multiple latitude-longitude points to capture spatiotemporal correlations. The results showed that spatiotemporal prediction models reduced computational cost while improving accuracy; in particular, the proposed tensor train dynamic mode decomposition-based forecasting model has comparable accuracy to ConvLSTM without the need for training. We use the NASA POWER meteorological dataset to evaluate the models and compare them with the current state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google