論文の概要: Rain-Code Fusion : Code-to-code ConvLSTM Forecasting Spatiotemporal Precipitation

• arxiv url: http://arxiv.org/abs/2009.14573v6
• Date: Mon, 1 Mar 2021 11:49:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:09:50.113194
• Title: Rain-Code Fusion : Code-to-code ConvLSTM Forecasting Spatiotemporal Precipitation
• Title（参考訳）: rain-code fusion : code-to-code convlstmによる時空間降水予測
• Authors: Takato Yasuno, Akira Ishii, Masazumi Amakata
• Abstract要約: 本稿では, 時間差低減のための多フレーム融合を用いた時相降雨過程を表す新しい降雨特性を提案する。 レーダー解析データを用いて中央の面積を136×148km2の範囲に拡大する。
• 参考スコア（独自算出の注目度）: 0.8057006406834465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, flood damage has become a social problem owing to unexperienced weather conditions arising from climate change. An immediate response to heavy rain is important for the mitigation of economic losses and also for rapid recovery. Spatiotemporal precipitation forecasts may enhance the accuracy of dam inflow prediction, more than 6 hours forward for flood damage mitigation. However, the ordinary ConvLSTM has the limitation of predictable range more than 3-timesteps in real-world precipitation forecasting owing to the irreducible bias between target prediction and ground-truth value. This paper proposes a rain-code approach for spatiotemporal precipitation code-to-code forecasting. We propose a novel rainy feature that represents a temporal rainy process using multi-frame fusion for the timestep reduction. We perform rain-code studies with various term ranges based on the standard ConvLSTM. We applied to a dam region within the Japanese rainy term hourly precipitation data, under 2006 to 2019 approximately 127 thousands hours, every year from May to October. We apply the radar analysis hourly data on the central broader region with an area of 136 x 148 km2 . Finally we have provided sensitivity studies between the rain-code size and hourly accuracy within the several forecasting range.
• Abstract（参考訳）: 近年,気候変動による未経験の気象条件により,洪水被害が社会問題となっている。 豪雨に対する即時対応は、経済損失の軽減と急速な回復のためにも重要である。 時空間的な降水予測は、洪水被害軽減のために6時間以上前のダム流入予測の精度を高める可能性がある。 しかし,通常のConvLSTMでは,目標予測と地絡値の既約バイアスにより,実世界の降水予測において3時間以上の予測可能な範囲が制限されている。 本稿では,時空間降水量予測のためのレインコード手法を提案する。 本稿では,多フレーム融合を用いた時間ステップ低減のための時雨過程を表す新しい雨の特徴を提案する。 我々は,標準のConvLSTMに基づいて,様々な用語範囲でレインコード研究を行う。 平成18年～2019年5月から10月までの雨期毎時降雨量のダム地域を毎年127万時間程度で適用した。 我々は,レーダー解析を,136 x 148 km2の面積の中部広域地域の時間データに適用した。 最後に,複数の予測範囲における雨量と時間単位の精度について感度調査を行った。

関連論文リスト

• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
  台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。 textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。 グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Reduction of rain-induced errors for wind speed estimation on SAR observations using convolutional neural networks [0.16067645574373132]
  降雨時の誤差を低減した風速推定器を訓練する。 その結果,SAR製品における降雨関連誤差を補正する深層学習モデルの能力が示された。
  論文  参考訳（メタデータ） (2023-03-16T10:19:14Z)
• 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)
• Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
  視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。 これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。 衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-10-02T00:43:02Z)
• Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
  本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。 我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。 Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
  論文  参考訳（メタデータ） (2021-04-02T09:29:03Z)
• Accurate and Clear Precipitation Nowcasting with Consecutive Attention and Rain-map Discrimination [11.686939430992966]
  本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。 このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
  論文  参考訳（メタデータ） (2021-02-16T14:22:54Z)
• Regional Rainfall Prediction Using Support Vector Machine Classification of Large-Scale Precipitation Maps [0.0]
  本研究では,1～30日前の降雨予測に対するクラスベースアプローチについて検討する。 この調査は、アメリカ大陸の1日あたりの降水量マップに基づいて、地域の予測を行い、降水量は3つのレベル(光または無雨、中性雨、大雨)で定量化した。
  論文  参考訳（メタデータ） (2020-07-30T11:56:19Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。