論文の概要: Fusion of rain radar images and wind forecasts in a deep learning model
applied to rain nowcasting
- arxiv url: http://arxiv.org/abs/2012.05015v2
- Date: Tue, 12 Jan 2021 16:11:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:47:19.165508
- Title: Fusion of rain radar images and wind forecasts in a deep learning model
applied to rain nowcasting
- Title（参考訳）: 降雨レーダ画像と風況予測の融合による降雨ノキャスティングへの応用
- Authors: Vincent Bouget and Dominique B\'er\'eziat and Julien Brajard and
Anastase Charantonis and Arthur Filoche
- Abstract要約: 気象予測モデルによる降雨レーダー画像と風速の融合により,深層学習モデルを訓練する。
地平線時間30分で予測する中・高降雨時の光流量をF1スコアで計算し, ネットワークの性能は8%向上した。
降雨と風力データの融合は、訓練過程の安定化にも寄与し、特に降雨の予測が難しい地域では大きな改善をもたらした。
- 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: Short- or mid-term rainfall forecasting is a major task with several
environmental applications such as agricultural management or flood risk
monitoring. Existing data-driven approaches, especially deep learning models,
have shown significant skill at this task, using only rainfall radar images as
inputs. In order to determine whether using other meteorological parameters
such as wind would improve forecasts, we trained a deep learning model on a
fusion of rainfall radar images and wind velocity produced by a weather
forecast model. The network was compared to a similar architecture trained only
on radar data, to a basic persistence model and to an approach based on optical
flow. Our network outperforms by 8% the F1-score calculated for the optical
flow on moderate and higher rain events for forecasts at a horizon time of 30
min. Furthermore, it outperforms by 7% the same architecture trained using only
rainfall radar images. Merging rain and wind data has also proven to stabilize
the training process and enabled significant improvement especially on the
difficult-to-predict high precipitation rainfalls.
- Abstract（参考訳）: 短期または中期の降雨予測は、農業管理や洪水リスクモニタリングといったいくつかの環境応用において主要な課題である。
既存のデータ駆動アプローチ、特にディープラーニングモデルは、降雨レーダイメージのみを入力として、このタスクにおいて重要なスキルを示してきた。
風などの気象パラメータが予測を改善するかどうかを判断するために,降雨レーダ画像と気象予報モデルによる風速の融合に関するディープラーニングモデルを訓練した。
ネットワークはレーダーデータのみに基づいてトレーニングされた類似アーキテクチャと、基本的な永続化モデル、光学フローに基づくアプローチと比較された。
地平線時間30分で予測する中・高降雨時の光流量をF1スコアで計算し, ネットワークの性能は8%向上した。
さらに、降雨レーダイメージのみを使用してトレーニングされた同じアーキテクチャを7%上回っている。
降雨量と風速データを組み合わせることでトレーニングプロセスを安定させ,特に降雨予測の難しい降雨量で大幅な改善が達成されている。
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) - 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) - 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-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data [14.672132394870445]
複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。
ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。
この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
論文 参考訳（メタデータ） (2022-10-20T14:59:58Z) - 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) - 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) - 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) - 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) - Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。
このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
論文 参考訳（メタデータ） (2020-05-19T05:52:13Z)
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。