論文の概要: TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall

• arxiv url: http://arxiv.org/abs/2008.09090v2
• Date: Fri, 12 Feb 2021 18:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 04:19:06.982688
• Title: TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall
• Title（参考訳）: TRU-NET: 降雨の高精度予測のためのディープラーニングアプローチ
• Authors: Rilwan Adewoyin, Peter Dueben, Peter Watson, Yulan He, Ritabrata Dutta
• Abstract要約: 本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
• 参考スコア（独自算出の注目度）: 21.399707529966474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate models (CM) are used to evaluate the impact of climate change on the risk of floods and strong precipitation events. However, these numerical simulators have difficulties representing precipitation events accurately, mainly due to limited spatial resolution when simulating multi-scale dynamics in the atmosphere. To improve the prediction of high resolution precipitation we apply a Deep Learning (DL) approach using an input of CM simulations of the model fields (weather variables) that are more predictable than local precipitation. To this end, we present TRU-NET (Temporal Recurrent U-Net), an encoder-decoder model featuring a novel 2D cross attention mechanism between contiguous convolutional-recurrent layers to effectively model multi-scale spatio-temporal weather processes. We use a conditional-continuous loss function to capture the zero-skewed %extreme event patterns of rainfall. Experiments show that our model consistently attains lower RMSE and MAE scores than a DL model prevalent in short term precipitation prediction and improves upon the rainfall predictions of a state-of-the-art dynamical weather model. Moreover, by evaluating the performance of our model under various, training and testing, data formulation strategies, we show that there is enough data for our deep learning approach to output robust, high-quality results across seasons and varying regions.
• Abstract（参考訳）: 気候モデル(CM)は、気候変動が洪水や強い降水イベントのリスクに与える影響を評価するために用いられる。 しかし、これらの数値シミュレータは降水現象を正確に表現することが困難であり、主に大気中のマルチスケール力学をシミュレーションする際の空間分解能の制限によるものである。 高分解能降水量の予測を改善するために,局所降水量よりも予測可能なモデル場(変数)のCMシミュレーションを入力として,Deep Learning (DL) アプローチを適用した。 そこで本研究では,連続した畳み込み-再帰層間の新たな2次元クロスアテンション機構を特徴とするエンコーダ-デコーダモデルである tru-net (temporal recurrent u-net) を提案する。 降雨のゼロスキュート%イベントパターンを捉えるために,条件付き連続損失関数を用いた。 実験により, 短期降水予測でよく見られるDLモデルよりも, RMSEおよびMAEスコアの低い値が一貫して得られ, 最新の動的気象モデルによる降雨予測の改善が示された。 さらに, 各種学習・試験・データ定式化戦略の下で, モデルの性能を評価することにより, 季節や地域によって, 堅牢で高品質な結果を出力するのに十分なデータが存在することを示す。

関連論文リスト

• Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
  高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。 本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:38Z)
• Multi-Source Temporal Attention Network for Precipitation Nowcasting [4.726419619132143]
  降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。 降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
  論文  参考訳（メタデータ） (2024-10-11T09:09:07Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• 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)
• 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)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。