Fugu-MT 論文翻訳(概要): CNN Profiler on Polar Coordinate Images for Tropical Cyclone Structure Analysis

論文の概要: CNN Profiler on Polar Coordinate Images for Tropical Cyclone Structure Analysis

arxiv url: http://arxiv.org/abs/2010.15158v1
Date: Wed, 28 Oct 2020 18:13:19 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 04:35:26.241567
Title: CNN Profiler on Polar Coordinate Images for Tropical Cyclone Structure Analysis
Title（参考訳）: 熱帯サイクロン構造解析のための極座標画像のcnnプロファイラ
Authors: Boyo Chen, Buo-Fu Chen, Chun-Min Hsiao
Abstract要約: 本研究は、衛星画像にCNNを適用して、TC構造プロファイル全体を作成する。新たにリリースしたベンチマークデータセットで、トレーニングのための貴重なラベルを提供しています。
参考スコア（独自算出の注目度）: 11.387235721659378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional neural networks (CNN) have achieved great success in analyzing tropical cyclones (TC) with satellite images in several tasks, such as TC intensity estimation. In contrast, TC structure, which is conventionally described by a few parameters estimated subjectively by meteorology specialists, is still hard to be profiled objectively and routinely. This study applies CNN on satellite images to create the entire TC structure profiles, covering all the structural parameters. By utilizing the meteorological domain knowledge to construct TC wind profiles based on historical structure parameters, we provide valuable labels for training in our newly released benchmark dataset. With such a dataset, we hope to attract more attention to this crucial issue among data scientists. Meanwhile, a baseline is established with a specialized convolutional model operating on polar-coordinates. We discovered that it is more feasible and physically reasonable to extract structural information on polar-coordinates, instead of Cartesian coordinates, according to a TC's rotational and spiral natures. Experimental results on the released benchmark dataset verified the robustness of the proposed model and demonstrated the potential for applying deep learning techniques for this barely developed yet important topic.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、TC強度推定など、衛星画像を用いた熱帯サイクロン(TC)の分析において大きな成功を収めている。対照的に、気象専門家によって主観的に推定されるいくつかのパラメータによって通常記述されるtc構造は、客観的かつ日常的にプロファイルされるのは難しい。本研究は、衛星画像にCNNを適用して、全構造パラメータをカバーするTC構造プロファイルを作成する。気象領域の知識を利用して、歴史的構造パラメータに基づいたTCM風力プロファイルを構築することにより、新しいベンチマークデータセットでトレーニングに有用なラベルを提供する。このようなデータセットによって、私たちはデータサイエンティストの間でこの重要な問題にもっと注意を向けたいと思っています。一方、ベースラインは極座標で動作する特殊な畳み込みモデルで確立される。 TCの回転と渦巻きの性質によれば、カルト座標ではなく極座標に関する構造情報を抽出することはより実現可能であり、物理的に妥当であることがわかった。実験結果から,提案モデルの堅牢性を検証し,ほとんど開発されていないが重要なトピックに対して深層学習技術を適用する可能性を実証した。

関連論文リスト

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)
Digital Typhoon: Long-term Satellite Image Dataset for the Spatio-Temporal Modeling of Tropical Cyclones [0.907599024697789]
本稿では,40年以上にわたる台風衛星画像データセットの公開について述べる。長期的データに対する機械学習モデルのベンチマークを目的としている。データセットはhttp://agora.nii.ac.jp/digital-typhoon/で公開されている。
論文参考訳（メタデータ） (2023-11-05T14:22:13Z)
Revisiting Link Prediction: A Data Perspective [61.52668130971441]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文参考訳（メタデータ） (2023-10-01T21:09:59Z)
TROPHY: A Topologically Robust Physics-Informed Tracking Framework for Tropical Cyclones [4.650202794545353]
本稿では,熱帯サイクロン追跡のためのトポロジカル・ロバストな物理インフォームト・トラッキング・フレームワーク(TROPHY)を提案する。プリプロセッシングにおいて,短寿命で安定性の低い臨界点の90%をフィルタする物理インフォームド特徴選択法を提案する。 TROPHYをERA5の再解析データから30年間の2次元風洞に適用し,多数のTCトラックを生成する。
論文参考訳（メタデータ） (2023-07-28T00:44:55Z)
An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data [0.0]
熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
論文参考訳（メタデータ） (2023-06-07T22:26:50Z)
Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文参考訳（メタデータ） (2023-05-22T13:39:44Z)
Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
論文参考訳（メタデータ） (2022-10-30T04:05:06Z)
Dual-Branched Spatio-temporal Fusion Network for Multi-horizon Tropical Cyclone Track Forecast [13.123672819646336]
本稿では,多時間的特徴を効果的に融合させる多軸熱帯サイクロントラック予測モデルを提案する。エンコーダデコーダに基づくアーキテクチャと効率的な機能融合により、DBF-Netは2種類のデータの情報を完全にマイニングし、優れたTCトラック予測結果が得られる。
論文参考訳（メタデータ） (2022-02-27T10:45:18Z)
Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文参考訳（メタデータ） (2021-12-21T16:10:45Z)
DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文参考訳（メタデータ） (2021-04-28T15:13:12Z)
Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.125851164829582]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。