論文の概要: CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds
- arxiv url: http://arxiv.org/abs/2007.07978v2
- Date: Wed, 16 Jun 2021 09:08:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 05:20:08.851152
- Title: CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds
- Title（参考訳）: CloudCast: クラウドを予測するための衛星ベースのデータセットとベースライン
- Authors: A. H. Nielsen, A. Iosifidis, H. Karstoft
- Abstract要約: 本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。
画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。
データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
- 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: Forecasting the formation and development of clouds is a central element of
modern weather forecasting systems. Incorrect clouds forecasts can lead to
major uncertainty in the overall accuracy of weather forecasts due to their
intrinsic role in the Earth's climate system. Few studies have tackled this
challenging problem from a machine learning point-of-view due to a shortage of
high-resolution datasets with many historical observations globally. In this
paper, we present a novel satellite-based dataset called ``CloudCast''. It
consists of 70,080 images with 10 different cloud types for multiple layers of
the atmosphere annotated on a pixel level. The spatial resolution of the
dataset is 928 x 1530 pixels (3x3 km per pixel) with 15-min intervals between
frames for the period 2017-01-01 to 2018-12-31. All frames are centered and
projected over Europe. To supplement the dataset, we conduct an evaluation
study with current state-of-the-art video prediction methods such as
convolutional long short-term memory networks, generative adversarial networks,
and optical flow-based extrapolation methods. As the evaluation of video
prediction is difficult in practice, we aim for a thorough evaluation in the
spatial and temporal domain. Our benchmark models show promising results but
with ample room for improvement. This is the first publicly available
global-scale dataset with high-resolution cloud types on a high temporal
granularity to the authors' best knowledge.
- Abstract（参考訳）: 雲の形成と発達を予測することは、現代の気象予報システムの中心的な要素である。
不正確な雲の予測は、地球の気候システムに固有の役割があるため、天気予報の全体的な精度に大きな不確実性をもたらす可能性がある。
世界中に多くの歴史的観察がある高解像度データセットが不足しているため、機械学習の観点からこの課題に取り組む研究はほとんどない。
本稿では,‘CloudCast’と呼ばれる新しい衛星ベースのデータセットを提案する。
70,080枚の画像からなり、10種類のクラウドタイプがあり、複数の大気層をピクセルレベルでアノテートしている。
データセットの空間解像度は928 x 1530ピクセル (3x3 km per pixel)で、2017-01-01から2018-12-31の間のフレーム間の15分間隔である。
全てのフレームはヨーロッパを中心に投影されている。
このデータセットを補完するために,畳み込み長短期記憶ネットワーク,生成逆数ネットワーク,光フローベース外挿法など,現在最先端のビデオ予測手法を用いて評価研究を行う。
映像予測の実際的な評価は困難であるため,空間的・時間的領域における徹底的な評価を目指す。
ベンチマークモデルは有望な結果を示すが、改善の余地は十分にある。
これは、著者の最高の知識に高い時間的粒度で高解像度のクラウドタイプを持つ、初めて公開されたグローバルスケールデータセットである。
関連論文リスト
- Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。
40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。
ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文 参考訳（メタデータ） (2024-06-19T10:28:11Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - EarthNet2021: A large-scale dataset and challenge for Earth surface
forecasting as a guided video prediction task [12.795776149170978]
将来の気象条件を考慮した衛星画像の予測タスクとして地球表面予測を枠組み化します。
earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。
結果予測は、数値モデルに見られる空間分解能を大幅に改善します。
論文 参考訳（メタデータ） (2021-04-16T09:47:30Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳（メタデータ） (2020-12-11T11:21:00Z) - Cloud Cover Nowcasting with Deep Learning [0.0]
我々は,衛星撮影の最適化や太陽光発電のエネルギー生産予測など,様々な応用分野を持つクラウド・カバー・ユースキャスティングに注目した。
我々は,Meteosat衛星画像に深部畳み込みニューラルネットワークを適用した。
論文 参考訳（メタデータ） (2020-09-24T09:57:29Z) - Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season
Sentinel-2 Imagery [15.459106705735376]
軌道上の地球画像を通して得られた光学観測の大部分は、雲の影響を受けている。
我々は、新しいクラウド除去アプローチをトレーニングするための大きな新しいデータセットをキュレートすることで、一般化の課題をターゲットにしている。
雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,両極端に対処できる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-09-16T13:40:42Z)
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。