論文の概要: EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts
- arxiv url: http://arxiv.org/abs/2012.06246v1
- Date: Fri, 11 Dec 2020 11:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 03:07:01.660656
- Title: EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts
- Title(参考訳): earthnet2021: 新しい大規模データセットと局地的気候影響予測への挑戦
- Authors: Christian Requena-Mesa, Vitus Benson, Joachim Denzler, Jakob Runge and
Markus Reichstein
- Abstract要約: 大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
- 参考スコア(独自算出の注目度): 12.795776149170978
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Climate change is global, yet its concrete impacts can strongly vary between
different locations in the same region. Seasonal weather forecasts currently
operate at the mesoscale (> 1 km). For more targeted mitigation and adaptation,
modelling impacts to < 100 m is needed. Yet, the relationship between driving
variables and Earth's surface at such local scales remains unresolved by
current physical models. Large Earth observation datasets now enable us to
create machine learning models capable of translating coarse weather
information into high-resolution Earth surface forecasts. Here, we define
high-resolution Earth surface forecasting as video prediction of satellite
imagery conditional on mesoscale weather forecasts. Video prediction has been
tackled with deep learning models. Developing such models requires
analysis-ready datasets. We introduce EarthNet2021, a new, curated dataset
containing target spatio-temporal Sentinel 2 satellite imagery at 20 m
resolution, matched with high-resolution topography and mesoscale (1.28 km)
weather variables. With over 32000 samples it is suitable for training deep
neural networks. Comparing multiple Earth surface forecasts is not trivial.
Hence, we define the EarthNetScore, a novel ranking criterion for models
forecasting Earth surface reflectance. For model intercomparison we frame
EarthNet2021 as a challenge with four tracks based on different test sets.
These allow evaluation of model validity and robustness as well as model
applicability to extreme events and the complete annual vegetation cycle. In
addition to forecasting directly observable weather impacts through
satellite-derived vegetation indices, capable Earth surface models will enable
downstream applications such as crop yield prediction, forest health
assessments, coastline management, or biodiversity monitoring. Find data, code,
and how to participate at www.earthnet.tech .
- Abstract(参考訳): 気候変動は世界中で起きているが、その具体的な影響は地域によって大きく異なる。
季節天気予報は現在メソスケール(1km)で運行されている。
より標的的な緩和と適応には、100m以下のモデリングの影響が必要である。
しかし、そのような局所スケールでの駆動変数と地球表面の関係は、現在の物理モデルでは未解決のままである。
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
本稿では,地球表面の高分解能予測を,メソスケール気象予報に基づく衛星画像の映像予測として定義する。
ビデオ予測にはディープラーニングモデルが取り組まれている。
このようなモデルの開発には、分析可能なデータセットが必要です。
我々は,高分解能地形とメソスケール(1.28km)の気象条件に適合した,目標時空間センチネル2衛星画像を含む新しいキュレートデータセットであるEarthNet2021を紹介する。
32000以上のサンプルで、ディープニューラルネットワークのトレーニングに適している。
複数の地球表面の予測を比較することは簡単ではない。
そこで我々は,地球表面反射率予測モデルのための新しいランキング基準であるEarthNetScoreを定義した。
モデル相互比較では、異なるテストセットに基づいた4トラックの挑戦としてEarthNet2021をフレーム化します。
これにより、モデルの有効性とロバスト性の評価と、極端な事象と年次植生サイクルのモデル適用性が期待できる。
衛星由来の植生指標による直接観測可能な気象の影響の予測に加えて、地球表面モデルにより、作物収量予測、森林健康評価、海岸線管理、生物多様性監視といった下流の応用が可能になる。
www.earthnet.techでデータ、コード、参加方法を見つける。
関連論文リスト
- Super Resolution On Global Weather Forecasts [0.1747623282473278]
グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。
具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
論文 参考訳(メタデータ) (2024-09-17T19:07:13Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - EarthNet2021: A large-scale dataset and challenge for Earth surface
forecasting as a guided video prediction task [12.795776149170978]
将来の気象条件を考慮した衛星画像の予測タスクとして地球表面予測を枠組み化します。
earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。
結果予測は、数値モデルに見られる空間分解能を大幅に改善します。
論文 参考訳(メタデータ) (2021-04-16T09:47:30Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z) - CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。
画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。
データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
論文 参考訳(メタデータ) (2020-07-15T20:20:55Z) - 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。