論文の概要: RainBench: Towards Global Precipitation Forecasting from Satellite
Imagery
- arxiv url: http://arxiv.org/abs/2012.09670v1
- Date: Thu, 17 Dec 2020 15:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 16:16:18.541503
- Title: RainBench: Towards Global Precipitation Forecasting from Satellite
Imagery
- Title(参考訳): RainBench: 衛星画像による世界の降水予測に向けて
- Authors: Christian Schroeder de Witt, Catherine Tong, Valentina Zantedeschi,
Daniele De Martini, Freddie Kalaitzis, Matthew Chantry, Duncan Watson-Parris,
Piotr Bilinski
- Abstract要約: 極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。
データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。
現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
- 参考スコア(独自算出の注目度): 6.462260770989231
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme precipitation events, such as violent rainfall and hail storms,
routinely ravage economies and livelihoods around the developing world. Climate
change further aggravates this issue. Data-driven deep learning approaches
could widen the access to accurate multi-day forecasts, to mitigate against
such events. However, there is currently no benchmark dataset dedicated to the
study of global precipitation forecasts. In this paper, we introduce
\textbf{RainBench}, a new multi-modal benchmark dataset for data-driven
precipitation forecasting. It includes simulated satellite data, a selection of
relevant meteorological data from the ERA5 reanalysis product, and IMERG
precipitation data. We also release \textbf{PyRain}, a library to process large
precipitation datasets efficiently. We present an extensive analysis of our
novel dataset and establish baseline results for two benchmark medium-range
precipitation forecasting tasks. Finally, we discuss existing data-driven
weather forecasting methodologies and suggest future research avenues.
- Abstract(参考訳): 激しい降雨や暴風雨のような極端な降雨は、発展途上国の経済や生活を日常的に破壊する。
気候変動はこの問題をさらに悪化させる。
データ駆動型ディープラーニングアプローチは、そのようなイベントを緩和するために、正確な複数日予測へのアクセスを広げる可能性がある。
しかし、世界の降水量予測の研究に特化したベンチマークデータセットは今のところ存在しない。
本稿では,データ駆動降水予測のための新しいマルチモーダルベンチマークデータセットである \textbf{RainBench} を紹介する。
これには、シミュレーションされた衛星データ、era5の再分析製品からの関連する気象データの選択、およびimergの降水データが含まれる。
また、大規模な降水データセットを効率的に処理するライブラリである \textbf{PyRain} もリリースしています。
本研究では,提案するデータセットを広範囲に分析し,中規模降水予測タスクのベースラインを2つ確立する。
最後に,既存の気象予報手法について考察し,今後の研究方法を提案する。
関連論文リスト
- Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳(メタデータ) (2022-06-30T17:59:14Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳(メタデータ) (2022-05-06T13:45:32Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - 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) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳(メタデータ) (2021-10-05T06:37:24Z) - 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) - IowaRain: A Statewide Rain Event Dataset Based on Weather Radars and
Quantitative Precipitation Estimation [0.0]
本研究はアイオワ州における降雨イベントの広範なデータセットを提示する。
予測モデリングと規範モデリングの両方に道を開くことで、より優れた災害監視、応答、復旧に使用できる。
論文 参考訳(メタデータ) (2021-07-07T18:30:38Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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) - FlowDB a large scale precipitation, river, and flash flood dataset [0.0]
洪水は、米国で毎年80億ドルの損害をもたらし、あらゆる天候関連イベントの最大の死を引き起こします。
新たな1時間ごとの河川流量と降水量データセットと、損傷推定と傷害数を持つフラッシュ洪水イベントの2番目のサブセットを紹介します。
論文 参考訳(メタデータ) (2020-12-21T07:08:41Z)
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。