論文の概要: Real-time Tropical Cyclone Intensity Estimation by Handling Temporally Heterogeneous Satellite Data

• arxiv url: http://arxiv.org/abs/2010.14977v1
• Date: Wed, 28 Oct 2020 13:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 05:13:13.841598
• Title: Real-time Tropical Cyclone Intensity Estimation by Handling Temporally Heterogeneous Satellite Data
• Title（参考訳）: 時空間不均一衛星データを用いたリアルタイム熱帯サイクロン強度推定
• Authors: Boyo Chen, Buo-Fu Chen, Yun-Nung Chen
• Abstract要約: 本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。 実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
• 参考スコア（独自算出の注目度）: 33.528810128372704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing big geophysical observational data collected by multiple advanced sensors on various satellite platforms promotes our understanding of the geophysical system. For instance, convolutional neural networks (CNN) have achieved great success in estimating tropical cyclone (TC) intensity based on satellite data with fixed temporal frequency (e.g., 3 h). However, to achieve more timely (under 30 min) and accurate TC intensity estimates, a deep learning model is demanded to handle temporally-heterogeneous satellite observations. Specifically, infrared (IR1) and water vapor (WV) images are available under every 15 minutes, while passive microwave rain rate (PMW) is available for about every 3 hours. Meanwhile, the visible (VIS) channel is severely affected by noise and sunlight intensity, making it difficult to be utilized. Therefore, we propose a novel framework that combines generative adversarial network (GAN) with CNN. The model utilizes all data, including VIS and PMW information, during the training phase and eventually uses only the high-frequent IR1 and WV data for providing intensity estimates during the predicting phase. Experimental results demonstrate that the hybrid GAN-CNN framework achieves comparable precision to the state-of-the-art models, while possessing the capability of increasing the maximum estimation frequency from 3 hours to less than 15 minutes.
• Abstract（参考訳）: 様々な衛星プラットフォーム上の複数の先端センサーによって収集された大規模地球物理観測データの解析は、地球物理システムの理解を促進する。 例えば、畳み込みニューラルネットワーク(cnn)は、一定の時間周波数(例えば3h)の衛星データに基づいて熱帯サイクロン(tc)強度を推定することに成功した。 しかし、よりタイムリー(30分以下)で正確なTC強度推定を行うには、時間的に不均一な衛星観測を扱うために深層学習モデルが必要である。 具体的には、赤外線(ir1)と水蒸気(wv)の画像は15分毎に、受動マイクロ波雨量(pmw)は約3時間毎に利用可能である。 一方、可視チャネル(VIS)はノイズや日光の強度に深刻な影響を受けており、利用が困難である。 そこで本研究では,GAN(Generative Adversarial Network)とCNNを組み合わせた新たなフレームワークを提案する。 このモデルは、トレーニングフェーズ中にVISとPMW情報を含むすべてのデータを使用し、最終的に予測フェーズ中に強度推定を提供するために、高頻度のIR1とWVデータのみを使用する。 実験の結果,gan-cnnハイブリッドフレームワークは,最大推定周波数を3時間以内から15分未満に増やす能力を有しながら,最先端モデルと同等の精度を達成した。

関連論文リスト

• A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations [8.321173617981387]
  熱帯性サイクロンの位置と強度を推定することは、破滅的な気象事象を予測する上で重要な意味を持つ。 サイクロンの検出と強度推定の現在のプロセスは、時間を要する物理に基づくシミュレーション研究を含む。 本研究の目的は、画像入力とデータ駆動アプローチのみを用いて、サイクロンの検出、強度推定および関連する側面に焦点を当てることである。
  論文  参考訳（メタデータ） (2024-09-25T14:52:04Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data [0.0]
  この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。 このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。 その結果,降水運動の方向と強度の予測には高い精度が得られた。
  論文  参考訳（メタデータ） (2023-12-02T18:13:45Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• TCR-GAN: Predicting tropical cyclone passive microwave rainfall using infrared imagery via generative adversarial networks [11.34283731463713]
  本研究では、熱帯サイクロン(TC)の衛星赤外(IR)画像から受動マイクロ波雨量(PMR)を直接予測することにより、この問題の解決を試みる。 我々は, 赤外線画像をPMRに変換するGAN(Generative Adversarial Network)を開発し, TCクラウドトップの明るい温度とPMRのマッピング関係を確立する。 実験の結果,IRから重要な特徴を効果的に抽出できることが示唆された。
  論文  参考訳（メタデータ） (2022-01-14T08:22:16Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)

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。