論文の概要: Deep-learning based down-scaling of summer monsoon rainfall data over
Indian region
- arxiv url: http://arxiv.org/abs/2011.11313v3
- Date: Tue, 8 Dec 2020 09:24:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 03:03:48.836396
- Title: Deep-learning based down-scaling of summer monsoon rainfall data over
Indian region
- Title(参考訳): インド地方における夏季モンスーン降雨量の深層学習に基づくダウンスケーリング
- Authors: Bipin Kumar, Rajib Chattopadhyay, Manmeet Singh, Niraj Chaudhari,
Karthik Kodari and Amit Barve
- Abstract要約: 動的および統計的ダウンスケーリングモデルは、大域にわたって高解像度のグリッドデータを取得するためにしばしば使用される。
深層学習(DL)に基づく手法は,地域気候予報およびリアルタイム降雨観測データにおいて,降雨データを空間分解能の高い方法でダウンスケールする上で,効率的なソリューションを提供する。
本研究では,超高分解能畳み込みニューラルネットワーク(SRCNN)法から得られた3つの深層学習アルゴリズムを用いて,夏季モンスーンシーズンの4倍の高分解能降雨量データを生成する。
- 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: Downscaling is necessary to generate high-resolution observation data to
validate the climate model forecast or monitor rainfall at the micro-regional
level operationally. Dynamical and statistical downscaling models are often
used to get information at high-resolution gridded data over larger domains. As
rainfall variability is dependent on the complex Spatio-temporal process
leading to non-linear or chaotic Spatio-temporal variations, no single
downscaling method can be considered efficient enough. In data with complex
topographies, quasi-periodicities, and non-linearities, deep Learning (DL)
based methods provide an efficient solution in downscaling rainfall data for
regional climate forecasting and real-time rainfall observation data at high
spatial resolutions. In this work, we employed three deep learning-based
algorithms derived from the super-resolution convolutional neural network
(SRCNN) methods, to precipitation data, in particular, IMD and TRMM data to
produce 4x-times high-resolution downscaled rainfall data during the summer
monsoon season. Among the three algorithms, namely SRCNN, stacked SRCNN, and
DeepSD, employed here, the best spatial distribution of rainfall amplitude and
minimum root-mean-square error is produced by DeepSD based downscaling. Hence,
the use of the DeepSD algorithm is advocated for future use. We found that
spatial discontinuity in amplitude and intensity rainfall patterns is the main
obstacle in the downscaling of precipitation. Furthermore, we applied these
methods for model data postprocessing, in particular, ERA5 data. Downscaled
ERA5 rainfall data show a much better distribution of spatial covariance and
temporal variance when compared with observation.
- Abstract(参考訳): ダウンスケーリングは、気候モデル予測の検証や、マイクロリージョンレベルでの降雨監視のために、高解像度の観測データを生成する必要がある。
動的および統計的ダウンスケーリングモデルは、大域にわたって高解像度のグリッドデータを取得するためにしばしば使用される。
降雨の変動は,非線形あるいはカオスな時空間変動につながる複雑な時空間過程に依存しているため,単一ダウンスケーリング法を十分に効率的にみなすことはできない。
複雑な地形、準周期、非線形のデータにおいて、深層学習(dl)ベースの手法は、地域気候予測のための降雨データと高空間分解能のリアルタイム降雨観測データに対する効率的な解決策を提供する。
本研究では,超高分解能畳み込みニューラルネットワーク(SRCNN)法に基づく3つの深層学習アルゴリズムを用いて降水データ,特にIMDおよびTRMMデータを用いて,夏季モンスーンシーズンの4倍の高分解能降雨データを生成する。
SRCNN、SRCNN、DeepSDの3つのアルゴリズムのうち、降雨振幅と最小ルート平均二乗誤差の空間分布はDeepSDに基づくダウンスケーリングによって生成される。
したがって、DeepSDアルゴリズムの使用は将来の使用のために推奨される。
降水量減少の主な障害は,振幅・強度降雨パターンの空間的不連続性であった。
さらに,これらの手法をモデルデータ後処理,特にERA5データに適用した。
ERA5降水量は観測値と比較して空間的共分散と時間的分散の分布がはるかに良好である。
関連論文リスト
- Generative Precipitation Downscaling using Score-based Diffusion with Wasserstein Regularization [19.32044524311079]
地域リスクと降水科学を理解するために、長期記録と高解像度の製品が発掘されることがある。
本稿では,世界規模で利用可能なゲージベース降水生成物をダウンスケールする新しい生成拡散モデルを提案する。
We show that WassDiff has better reconstruction accuracy and bias scores than conventional score-based diffusion model。
論文 参考訳(メタデータ) (2024-10-01T04:12:40Z) - 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) - 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) - SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation [37.212272184144]
降雨空間分析のためのデータ駆動型自己教師型学習フレームワークを提案する。
過去のデータから潜伏した空間パターンをマイニングすることで、SpaFormerは生データに対する情報埋め込みを学び、空間相関を適応的にモデル化することができる。
本手法は,2つの実世界のラリングオージデータセットの実験において,最先端のソリューションよりも優れる。
論文 参考訳(メタデータ) (2023-11-27T04:23:47Z) - 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) - 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) - On the modern deep learning approaches for precipitation downscaling [0.0]
インド気象局(IMD)の降水量の推定のために,DLに基づくダウンスケーリングを実施している。
異なるDL手法の有効性を検証するために,4種類のダウンスケール法を適用し,その性能評価を行った。
その結果,SR-GANは降水データダウンスケーリングの最良の方法であることが示唆された。
論文 参考訳(メタデータ) (2022-07-02T11:57:39Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳(メタデータ) (2022-02-23T18:57:53Z) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
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。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - 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。