[PYTHON] [Partie 2] Utilisez le Deep Learning pour prévoir la météo à partir d'images météorologiques

Dernière fois

La dernière fois, nous avons utilisé des images météorologiques pour déterminer l'image à l'aide du modèle CNN et avons estimé la météo du lendemain. Cliquez ici pour lire l'article précédent Faire des prévisions météorologiques à partir d'images météorologiques en utilisant Deep Learning 1.

cette fois

Cette fois, j'aimerais utiliser une météo plus détaillée pour les résultats que j'ai obtenus la dernière fois.

Météo détaillée pendant la période d'essai

Dans l'analyse, la période de test était quotidienne de janvier à juillet 2016. Cette fois, nous avons estimé la classification binaire «fine» et «pluie», mais la météo est en fait plus détaillée. Par conséquent, j'aimerais utiliser les probabilités «pluie» et «fines» estimées pour comparer avec les conditions météorologiques détaillées.

Probabilité estimée et météo détaillée

La probabilité moyenne avec chaque météo détaillée dans la période estimée est la suivante.

Météo Probabilité de pluie Probabilité claire Le nombre de données
Nuageux 42% 58% 26
Bien 21% 79% 22
Ensoleillé 22% 78% 19
Nuageux pluie temporaire 67% 33% 11
Ensoleillé et temporairement nuageux 32% 68% 9
Partiellement nuageux 36% 64% 9
Nuageux 34% 66% 8
Légèrement nuageux après beau temps 24% 76% 7
Nuage léger 33% 67% 7
Pluie parfois nuageux 53% 47% 6
Nuageux parfois pluie 59% 41% 6
Ensoleillé Temporairement nuageux 33% 67% 5
Amende temporaire après nuageux 43% 57% 5
Parfois nuageux après la pluie 59% 41% 4
Nuageux après la pluie 67% 33% 4
Parfois nuageux après le beau temps 21% 79% 4
Pluie après nuageux 65% 35% 4
Ensoleillé après nuageux 21% 79% 4
Légèrement nuageux temporaire clair 47% 53% 4
Pluie temporaire après nuageux 48% 52% 3
Nuageux et parfois ensoleillé 44% 56% 3
Pluie nuageuse temporaire 53% 47% 2
Temps nuageux après la pluie 61% 39% 2
Ensoleillé après la pluie 67% 33% 2
Légèrement nuageux après le beau temps 31% 69% 2
Nuageux après ensoleillé 57% 43% 2
Nuageux temporairement après de fortes pluies 74% 26% 2
Parfois pluie après nuageux 24% 76% 2
Nuageux et parfois pluvieux 57% 43% 2
Nuageux et parfois ensoleillé puis pluie temporaire 20% 80% 2
Parfois ensoleillé après de légers nuages 16% 84% 2
Légèrement nuageux et parfois ensoleillé 30% 70% 2
pluie 89% 11% 1
Parfois nuageux après une pluie temporaire 24% 76% 1
Nuageux après la pluie, accompagné de grêle 92% 8% 1
Pluie Parfois ensoleillé Brouillard temporaire Pluie 84% 16% 1
Pluvieux et parfois nuageux 74% 26% 1
Pluie temporaire ensoleillée 72% 28% 1
Pluie temporaire après beau temps, accompagnée de tonnerre 76% 24% 1
Après une pluie ensoleillée parfois nuageux 3% 97% 1
Ensoleillé et parfois nuageux 14% 86% 1
forte pluie 92% 8% 1
Parfois ensoleillé après de fortes pluies, accompagné de déversements 93% 7% 1
Nuageux et ensoleillé après la pluie 20% 80% 1
Nuageux et parfois ensoleillé après une pluie temporaire 81% 19% 1
Nuageux et ensoleillé après une pluie temporaire 20% 80% 1
Parfois ensoleillé après nuageux 89% 11% 1
Nuageux et parfois ensoleillé avec pluie temporaire et tonnerre 79% 21% 1

Ceci est difficile à comprendre, alors regardons le sommet de la probabilité «pluie» et le sommet de la probabilité «fine». Premièrement, les 10 principaux éléments avec une probabilité de «pluie» sont les suivants.

Météo Probabilité de pluie Probabilité claire Le nombre de données
Parfois ensoleillé après de fortes pluies, accompagné de déversements 93% 7% 1
forte pluie 92% 8% 1
Nuageux après la pluie, accompagné de grêle 92% 8% 1
pluie 89% 11% 1
Parfois ensoleillé après nuageux 89% 11% 1
Pluie Parfois ensoleillé Brouillard temporaire Pluie 84% 16% 1
Nuageux et parfois ensoleillé après une pluie temporaire 81% 19% 1
Nuageux et parfois ensoleillé avec pluie temporaire et tonnerre 79% 21% 1
Pluie temporaire après beau temps, accompagnée de tonnerre 76% 24% 1
Nuageux temporairement après de fortes pluies 74% 26% 2
Pluvieux et parfois nuageux 74% 26% 1

Ensuite, les 10 principaux éléments avec une probabilité «fine» sont les suivants.

Météo Probabilité de pluie Probabilité claire Le nombre de données
Après une pluie ensoleillée parfois nuageux 3% 97% 1
Ensoleillé et parfois nuageux 14% 86% 1
Parfois ensoleillé après de légers nuages 16% 84% 2
Nuageux et ensoleillé après une pluie temporaire 20% 80% 1
Nuageux et ensoleillé après la pluie 20% 80% 1
Nuageux et parfois ensoleillé puis pluie temporaire 20% 80% 2
Bien 21% 79% 22
Parfois nuageux après le beau temps 21% 79% 4
Ensoleillé après nuageux 21% 79% 4
Ensoleillé 22% 78% 19
Parfois nuageux après une pluie temporaire 24% 76% 1

N'est-il pas estimé assez bon? Surtout pour la pluie, la probabilité de "fortes pluies" est relativement élevée. Par contre, quand il s'agit de beau temps, il y a beaucoup de choses comme la «pluie temporaire». Si tous les éléments «bien», «nuageux» et «pluie» sont inclus, l'estimation semble floue. C'est un problème.

la prochaine fois

La prochaine fois, j'aimerais améliorer les données des enseignants et mettre à jour le modèle.

Post-scriptum: à propos des prévisions météorologiques

Selon la loi, les prévisions météorologiques doivent être accompagnées d'un prévisionniste. Il est décrit en détail dans Konohen. Bien sûr, je ne suis pas un prévisionniste, donc je ne peux généralement pas fournir quelque chose comme "la météo de demain". En outre, la prévision selon un logiciel ou un modèle n'est fondamentalement pas autorisée.

Citer

** J'ai créé un logiciel qui calcule automatiquement la météo et la température à partir des matériaux de prévision numérique de l'Agence météorologique. Ai-je besoin d'une licence de prévision pour faire des prévisions à l'aide de ce logiciel? ** **

Un permis commercial de prévision est nécessaire pour effectuer des activités de prévision quelle que soit la méthode de prévision. Cependant, la prévision du phénomène devant être faite par le météorologue, si la prévision est faite uniquement par logiciel sans l'intervention du météorologue, les travaux de prévision ne peuvent être autorisés.

Il y a.

Le «phénomène» est défini comme suit.

La prévision est définie par la loi météorologique des affaires comme «l'annonce de prévisions de phénomènes à partir de résultats d'observation». Plus précisément, en précisant le «temps» et le «lieu», la situation des phénomènes naturels qui se produiront dans le futur est prédite par une méthode des sciences naturelles basée sur les résultats de l'observation, et le résultat est prédit par l'utilisateur (tiers). Cela signifie fournir à. Business signifie "des actes qui sont répétés et exécutés en continu".

L'offre à des tiers comprend également la publication sur le Web.

Par conséquent, j'aimerais que vous considériez cette analyse comme une étude personnelle.

Recommended Posts

[Partie 1] Utilisez le Deep Learning pour prévoir la météo à partir d'images météorologiques
[Partie 3] Utilisez le Deep Learning pour prévoir la météo à partir d'images météorologiques
[Partie 2] Utilisez le Deep Learning pour prévoir la météo à partir d'images météorologiques
Apprendre en profondeur à partir des bases mathématiques Partie 2 (pendant la fréquentation)
J'ai essayé d'implémenter Perceptron Part 1 [Deep Learning from scratch]
Apprentissage amélioré pour apprendre de zéro à profond
Alignement d'image: du SIFT au deep learning
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 12) Deep learning
Obtenez des données de Poloniex, un bureau de change virtuel, via l'API et utilisez le Deep Learning pour prédire le prix du lendemain.
À propos de l'ordre d'apprentissage des langages de programmation (de débutant à intermédiaire) Partie 2
Les débutants du Deep Learning ont essayé les prévisions météorologiques à partir d'images satellitaires météorologiques à l'aide de Keras
Tweet les prévisions météo avec le bot Partie 2
Deep Learning from scratch ① Chapitre 6 "Techniques liées à l'apprentissage"
POST des images depuis ESP32-CAM (MicroPython) vers le serveur
Prévision du cours des actions à l'aide du Deep Learning (TensorFlow) - Partie 2
Créer un ensemble de données d'images à utiliser pour la formation
[Deep Learning from scratch] J'ai implémenté la couche Affine
Je voulais utiliser la bibliothèque Python de MATLAB
Othello ~ De la troisième ligne de "Implementation Deep Learning" (4) [Fin]
[Deep Learning from scratch] J'ai essayé d'expliquer le décrochage
Apprentissage profond à partir de zéro 1 à 3 chapitres
Comment utiliser le générateur
[Apprentissage en profondeur] Découvrez comment utiliser chaque fonction du réseau neuronal convolutif [DW jour 3]
[Deep Learning from scratch] J'ai essayé d'expliquer la confirmation du gradient d'une manière facile à comprendre.
Comment augmenter le nombre d'images de jeux de données d'apprentissage automatique
(Deep learning) J'ai collecté des images de l'API Flickr et essayé de discriminer en transférant l'apprentissage avec VGG16
Introduction au Deep Learning ~ Règles d'apprentissage ~
J'ai capturé le projet Toho avec Deep Learning ... je le voulais.
Apprentissage par renforcement profond 1 Introduction au renforcement de l'apprentissage
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 8) J'ai dessiné le graphique du chapitre 6 avec matplotlib
Comment utiliser le décorateur
Introduction au Deep Learning ~ Rétropropagation ~
[Deep Learning from scratch] À propos des couches requises pour implémenter le traitement de rétropropagation dans un réseau neuronal
Chapitre 1 Introduction à Python Découpez uniquement les bons points de Deeplearning à partir de zéro
[Apprentissage automatique] Comprenez à partir des mathématiques pourquoi le coefficient de corrélation varie de -1 à 1.
Version Lua Apprentissage profond à partir de zéro Partie 6 [Traitement d'inférence de réseau neuronal]
Comment utiliser l'apprentissage automatique pour le travail? 01_ Comprendre l'objectif de l'apprentissage automatique
[Python + heroku] De l'état sans Python à l'affichage de quelque chose avec heroku (Partie 1)
[Python + heroku] De l'état sans Python à l'affichage de quelque chose avec heroku (partie 2)
Deep learning / Deep learning from scratch 2 Chapitre 4 Mémo
Comment utiliser la fonction zip
Deep learning / Deep learning made from scratch Chapitre 3 Mémo
Comment utiliser SWIG de WAF
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 5 Mémo
Introduction à l'apprentissage en profondeur ~ Approximation des fonctions ~
Essayez l'apprentissage en profondeur avec TensorFlow Partie 2
Apprentissage profond à partir de zéro (calcul des coûts)
Apprentissage profond pour démarrer sans GPU
Introduction à l'apprentissage profond ~ Préparation au codage ~
Publier une image de Python sur Tumblr
Utilisez l'API Flickr de Python
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 7 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 8 Mémo
Deep learning / Deep learning made from scratch Chapitre 5 Mémo
Deep learning / Deep learning made from scratch Chapitre 4 Mémo
Deep learning / Deep learning from scratch 2 Chapitre 3 Mémo
Mémo d'apprentissage profond créé à partir de zéro
Introduction au Deep Learning ~ Dropout Edition ~
Introduction au Deep Learning ~ Propagation vers l'avant ~
Introduction à l'apprentissage profond ~ Expérience CNN ~
Comment utiliser le module ConfigParser