[PYTHON] [Teil 2] Verwenden Sie Deep Learning, um das Wetter anhand von Wetterbildern vorherzusagen

Letztes Mal

Letztes Mal habe ich ein meteorologisches Bild verwendet, um eine Bildunterscheidung mithilfe eines CNN-Modells durchzuführen und das Wetter für den nächsten Tag abzuschätzen. Klicken Sie hier für den vorherigen Artikel Erstellen von Wettervorhersagen aus meteorologischen Bildern mit Deep Learning 1.

diesmal

Dieses Mal möchte ich detaillierteres Wetter für die Ergebnisse verwenden, die ich das letzte Mal gemacht habe.

Detailliertes Wetter während des Testzeitraums

In der Analyse war der Testzeitraum täglich von Januar bis Juli 2016. Dieses Mal haben wir die binäre Klassifizierung von "fein" und "Regen" geschätzt, aber das Wetter ist tatsächlich detaillierter. Daher möchte ich die geschätzten "Regen" - und "Fein" -Wahrscheinlichkeiten verwenden, um sie mit dem detaillierten Wetter zu vergleichen.

Geschätzte Wahrscheinlichkeit und detailliertes Wetter

Die durchschnittliche Wahrscheinlichkeit für jedes detaillierte Wetter im geschätzten Zeitraum ist wie folgt.

Wetter Regenwahrscheinlichkeit Klare Wahrscheinlichkeit Die Anzahl der Daten
Wolkig 42% 58% 26
Fein 21% 79% 22
Sonnig 22% 78% 19
Bewölkter vorübergehender Regen 67% 33% 11
Sonnig und vorübergehend bewölkt 32% 68% 9
Teilweise bewölkt 36% 64% 9
Wolkig 34% 66% 8
Leicht bewölkt nach schönem Wetter 24% 76% 7
Lichtwolke 33% 67% 7
Regen manchmal bewölkt 53% 47% 6
Bewölkt manchmal Regen 59% 41% 6
Sonnig Temporär bewölkt 33% 67% 5
Vorübergehende Geldstrafe nach Bewölkung 43% 57% 5
Manchmal bewölkt nach Regen 59% 41% 4
Bewölkt nach Regen 67% 33% 4
Manchmal bewölkt nach schönem Wetter 21% 79% 4
Regen nach bewölkt 65% 35% 4
Sonnig nach bewölkt 21% 79% 4
Leicht bewölkt vorübergehend klar 47% 53% 4
Temporärer Regen nach bewölkt 48% 52% 3
Bewölkt und manchmal sonnig 44% 56% 3
Vorübergehender bewölkter Regen 53% 47% 2
Vorübergehend bewölkt nach Regen 61% 39% 2
Sonnig nach Regen 67% 33% 2
Nach schönem Wetter vorübergehend bewölkt 31% 69% 2
Bewölkt nach sonnig 57% 43% 2
Vorübergehend bewölkt nach starkem Regen 74% 26% 2
Manchmal regnet es nach bewölkt 24% 76% 2
Bewölkt und manchmal regnerisch 57% 43% 2
Bewölkt und manchmal sonnig und dann vorübergehender Regen 20% 80% 2
Manchmal sonnig nach leicht bewölkt 16% 84% 2
Leicht bewölkt und manchmal sonnig 30% 70% 2
Regen 89% 11% 1
Manchmal bewölkt nach einem vorübergehenden Regen 24% 76% 1
Bewölkt nach Regen, begleitet von Hagel 92% 8% 1
Regen Manchmal sonnig Temporärer Nebelregen 84% 16% 1
Regnerisch und manchmal bewölkt 74% 26% 1
Sonniger vorübergehender Regen 72% 28% 1
Vorübergehender Regen nach schönem Wetter, begleitet von Donner 76% 24% 1
Nach sonnigem Regen manchmal bewölkt 3% 97% 1
Sonnig und manchmal bewölkt 14% 86% 1
Starkregen 92% 8% 1
Manchmal sonnig nach starkem Regen, begleitet von Verschüttungen 93% 7% 1
Bewölkt und sonnig nach Regen 20% 80% 1
Bewölkt und manchmal sonnig nach einem vorübergehenden Regen 81% 19% 1
Bewölkt und sonnig nach einem vorübergehenden Regen 20% 80% 1
Manchmal sonnig nach bewölkt 89% 11% 1
Bewölkt und manchmal sonnig mit vorübergehendem Regen und Donner 79% 21% 1

Dies ist schwer zu verstehen. Schauen wir uns also die Spitze der "Regen" -Wahrscheinlichkeit und die Spitze der "Fein" -Wahrscheinlichkeit an. Erstens sind die Top-10-Elemente mit einer "Regen" -Wahrscheinlichkeit wie folgt.

Wetter Regenwahrscheinlichkeit Klare Wahrscheinlichkeit Die Anzahl der Daten
Manchmal sonnig nach starkem Regen, begleitet von Verschüttungen 93% 7% 1
Starkregen 92% 8% 1
Bewölkt nach Regen, begleitet von Hagel 92% 8% 1
Regen 89% 11% 1
Manchmal sonnig nach bewölkt 89% 11% 1
Regen Manchmal sonnig Temporärer Nebelregen 84% 16% 1
Bewölkt und manchmal sonnig nach einem vorübergehenden Regen 81% 19% 1
Bewölkt und manchmal sonnig mit vorübergehendem Regen und Donner 79% 21% 1
Vorübergehender Regen nach schönem Wetter, begleitet von Donner 76% 24% 1
Vorübergehend bewölkt nach starkem Regen 74% 26% 2
Regnerisch und manchmal bewölkt 74% 26% 1

Als nächstes sind die Top 10 Elemente mit einer "feinen" Wahrscheinlichkeit wie folgt.

Wetter Regenwahrscheinlichkeit Klare Wahrscheinlichkeit Die Anzahl der Daten
Nach sonnigem Regen manchmal bewölkt 3% 97% 1
Sonnig und manchmal bewölkt 14% 86% 1
Manchmal sonnig nach leicht bewölkt 16% 84% 2
Bewölkt und sonnig nach einem vorübergehenden Regen 20% 80% 1
Bewölkt und sonnig nach Regen 20% 80% 1
Bewölkt und manchmal sonnig und dann vorübergehender Regen 20% 80% 2
Fein 21% 79% 22
Manchmal bewölkt nach schönem Wetter 21% 79% 4
Sonnig nach bewölkt 21% 79% 4
Sonnig 22% 78% 19
Manchmal bewölkt nach einem vorübergehenden Regen 24% 76% 1

Wird es nicht als ziemlich gut eingeschätzt? Insbesondere bei Regen besteht eine relativ hohe Wahrscheinlichkeit für "starken Regen". Auf der anderen Seite gibt es bei schönem Wetter viele "vorübergehende Regenfälle". Wenn alle "fein", "bewölkt" und "Regen" enthalten sind, scheint die Schätzung unscharf zu sein. Dies ist ein Problem.

nächstes Mal

Nächstes Mal möchte ich die Lehrerdaten verbessern und das Modell aktualisieren.

Nachtrag: Zur Wettervorhersage

Laut Gesetz müssen Wettervorhersagen von einem Wettervorhersager begleitet werden. Es wird ausführlich in Konohen beschrieben. Natürlich bin ich kein Wettervorhersager, daher kann ich im Allgemeinen nicht so etwas wie "Wetter von morgen" liefern. Auch Prognosen nach Software oder Modell sind grundsätzlich nicht zulässig.

Zitieren

** Ich habe eine Software entwickelt, die das Wetter und die Temperatur automatisch aus den numerischen Vorhersagematerialien der Meteorologischen Agentur berechnet. Benötige ich eine Prognoselizenz, um mit dieser Software Prognosen zu erstellen? ** ** **

Für die Durchführung des Prognosegeschäfts ist unabhängig von der Prognosemethode eine Prognosegenehmigung erforderlich. Da die Vorhersage des Phänomens jedoch vom Wetterprognostiker durchgeführt werden muss, kann die Prognosearbeit nicht zugelassen werden, wenn die Vorhersage nur per Software ohne Eingreifen des Wetterprognostikers erstellt wird.

Es gibt.

Das "Phänomen" ist wie folgt definiert.

Prognose wird im meteorologischen Wirtschaftsgesetz als "Ankündigung von Prognosen von Phänomenen auf der Grundlage von Beobachtungsergebnissen" definiert. Insbesondere wird durch Angabe von "Zeit" und "Ort" die Situation von Naturphänomenen, die in Zukunft auftreten werden, durch eine naturwissenschaftliche Methode vorhergesagt, die auf den Ergebnissen der Beobachtung basiert, und das Ergebnis wird vom Benutzer (Dritter) vorhergesagt. Es bedeutet zu versorgen. Geschäft bedeutet "Handlungen, die wiederholt und kontinuierlich ausgeführt werden".

Das Anbieten an Dritte umfasst auch das Veröffentlichen im Internet.

Daher möchte ich Sie bitten, diese Analyse als persönliche Studie zu betrachten.

Recommended Posts

[Teil 1] Verwenden Sie Deep Learning, um das Wetter anhand von Wetterbildern vorherzusagen
[Teil 3] Verwenden Sie Deep Learning, um das Wetter anhand von Wetterbildern vorherzusagen
[Teil 2] Verwenden Sie Deep Learning, um das Wetter anhand von Wetterbildern vorherzusagen
Deep Learning aus den mathematischen Grundlagen Teil 2 (während der Teilnahme)
Ich habe versucht, Perceptron Teil 1 [Deep Learning von Grund auf neu] zu implementieren.
Verbessertes Lernen, um von null bis tief zu lernen
Bildausrichtung: von SIFT bis Deep Learning
"Deep Learning from Grund" Memo zum Selbststudium (Teil 12) Deep Learning
Erhalten Sie Daten von Poloniex, einem virtuellen Geldwechsel, über die API und verwenden Sie Deep Learning, um den Preis des nächsten Tages vorherzusagen.
Über die Reihenfolge des Lernens von Programmiersprachen (vom Anfänger bis zum Fortgeschrittenen) Teil 2
Deep Learning-Anfänger versuchten die Wettervorhersage aus meteorologischen Satellitenbildern mit Keras
Tweet die Wettervorhersage mit Bot Teil 2
Deep Learning von Grund auf neu ① Kapitel 6 "Lerntechniken"
POST-Images von ESP32-CAM (MicroPython) an den Server
Aktienkursprognose mit Deep Learning (TensorFlow) -Teil 2-
Erstellen Sie einen Datensatz mit Bildern, die für das Training verwendet werden sollen
[Deep Learning von Grund auf neu] Ich habe die Affine-Ebene implementiert
Ich wollte die Python-Bibliothek von MATLAB verwenden
Othello ~ Aus der dritten Zeile von "Implementation Deep Learning" (4) [Ende]
Ich habe versucht, Dropout zu erklären
Deep Learning von Grund auf 1-3 Kapitel
Verwendung des Generators
[Deep Learning] Untersuchen Sie, wie jede Funktion des Faltungsnetzes verwendet wird [DW Tag 3]
[Deep Learning von Grund auf neu] Ich habe versucht, die Gradientenbestätigung auf leicht verständliche Weise zu erklären.
So erhöhen Sie die Anzahl der Datensatzbilder für maschinelles Lernen
(Deep Learning) Ich habe Bilder von der Flickr-API gesammelt und versucht, durch Transferlernen mit VGG16 zu unterscheiden
Einführung in Deep Learning ~ Lernregeln ~
Ich habe das Toho-Projekt mit Deep Learning aufgenommen ... ich wollte.
Tiefe Stärkung des Lernens 1 Einführung in die Stärkung des Lernens
"Deep Learning from Grund" Memo zum Selbststudium (Teil 8) Ich habe die Grafik in Kapitel 6 mit matplotlib gezeichnet
Wie benutzt man den Dekorateur?
Einführung in Deep Learning ~ Backpropagation ~
[Deep Learning von Grund auf neu] Informationen zu den Ebenen, die für die Implementierung der Backpropagation-Verarbeitung in einem neuronalen Netzwerk erforderlich sind
Kapitel 1 Einführung in Python Schneiden Sie nur die guten Punkte des Deeplearning aus, die von Grund auf neu erstellt wurden
[Maschinelles Lernen] Verstehen Sie aus der Mathematik, warum der Korrelationskoeffizient zwischen -1 und 1 liegt.
Lua-Version Deep Learning von Grund auf neu Teil 6 [Inferenzverarbeitung für neuronale Netze]
Wie nutzt man maschinelles Lernen für die Arbeit? 01_ Den Zweck des maschinellen Lernens verstehen
[Python + Heroku] Vom Zustand ohne Python zur Anzeige von etwas mit Heroku (Teil 2)
Deep Learning / Deep Learning von Grund auf neu 2 Kapitel 4 Memo
Verwendung der Zip-Funktion
Deep Learning / Deep Learning von Grund auf neu Kapitel 3 Memo
Wie man SWIG von waf benutzt
Deep Learning / Deep Learning von Null 2 Kapitel 5 Memo
Einführung in das tiefe Lernen ~ Funktionsnäherung ~
Versuchen Sie es mit TensorFlow Part 2
Tiefes Lernen von Grund auf neu (Kostenberechnung)
Tiefes Lernen, um ohne GPU zu beginnen
Einführung in Deep Learning ~ Codierungsvorbereitung ~
Poste ein Bild von Python auf Tumblr
Verwenden Sie die Flickr-API von Python
Deep Learning / Deep Learning von Null 2 Kapitel 7 Memo
Deep Learning / Deep Learning von Null 2 Kapitel 8 Memo
Deep Learning / Deep Learning von Grund auf neu Kapitel 5 Memo
Deep Learning / Deep Learning von Grund auf neu Kapitel 4 Memo
Deep Learning / Deep Learning von Grund auf neu 2 Kapitel 3 Memo
Deep Learning Memo von Grund auf neu gemacht
Einführung in Deep Learning ~ Dropout Edition ~
Einführung in Deep Learning ~ Forward Propagation ~
Einführung in Deep Learning ~ CNN Experiment ~
Verwendung des ConfigParser-Moduls