論文の概要: RainNet: A Large-Scale Dataset for Spatial Precipitation Downscaling

• arxiv url: http://arxiv.org/abs/2012.09700v2
• Date: Fri, 18 Dec 2020 03:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 15:36:27.574428
• Title: RainNet: A Large-Scale Dataset for Spatial Precipitation Downscaling
• Title（参考訳）: RainNet: 空間沈降ダウンスケーリングのための大規模データセット
• Authors: Xuanhong Chen, Kairui Feng, Naiyuan Liu, Yifan Lu, Zhengyan Tong, Bingbing Ni, Ziang Liu, Ning Lin
• Abstract要約: 我々は、最初のREAL(非シミュレーション)大規模空間降水ダウンスケーリングデータセット、RainNetを紹介します。 このデータセットは17年間、62,424対の低解像度と高解像度の降水マップを含んでいる。 シミュレーションデータとは対照的に、実際のデータセットは様々な種類の気象現象をカバーしている。
• 参考スコア（独自算出の注目度）: 34.643909161864855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial Precipitation Downscaling is one of the most important problems in the geo-science community. However, it still remains an unaddressed issue. Deep learning is a promising potential solution for downscaling. In order to facilitate the research on precipitation downscaling for deep learning, we present the first REAL (non-simulated) Large-Scale Spatial Precipitation Downscaling Dataset, RainNet, which contains 62,424 pairs of low-resolution and high-resolution precipitation maps for 17 years. Contrary to simulated data, this real dataset covers various types of real meteorological phenomena (e.g., Hurricane, Squall, etc.), and shows the physical characters - Temporal Misalignment, Temporal Sparse and Fluid Properties - that challenge the downscaling algorithms. In order to fully explore potential downscaling solutions, we propose an implicit physical estimation framework to learn the above characteristics. Eight metrics specifically considering the physical property of the data set are raised, while fourteen models are evaluated on the proposed dataset. Finally, we analyze the effectiveness and feasibility of these models on precipitation downscaling task. The Dataset and Code will be available at https://neuralchen.github.io/RainNet/.
• Abstract（参考訳）: 空間沈降ダウンスケーリングは地球科学コミュニティで最も重要な問題の一つである。 しかし、現在も未解決のままである。 ディープラーニングは、ダウンスケールのための有望なソリューションです。 深層学習のための降水ダウンスケーリングの研究を容易にするため,約17年間,62,424組の低分解能降水マップと高分解能降水マップを含む,初の大規模降水ダウンスケーリングデータセットであるRainNetを提示する。 シミュレーションデータとは対照的に、実際のデータセットは様々な種類の気象現象(ハリケーン、スカルなど)をカバーしている。 そして、ダウンスケーリングアルゴリズムに挑戦する物理的文字(時間的不一致、時間的スパース、流体的特性)を示します。 潜在的なダウンスケーリングソリューションを十分に検討するために,上記の特徴を学習するための暗黙的物理的推定フレームワークを提案する。 データセットの物理的特性を特に考慮した8つの指標が上げられ、提案データセット上で14のモデルが評価される。 最後に,降水ダウンスケーリングタスクにおけるモデルの有効性と実現可能性について分析する。 DatasetとCodeはhttps://neuralchen.github.io/RainNet/.comで入手できる。

関連論文リスト

• High-Resolution Flood Probability Mapping Using Generative Machine Learning with Large-Scale Synthetic Precipitation and Inundation Data [0.9719868595277402]
  Flood-Precipitation Generative Adversarial Network (Flood-Precipitation Generative Adversarial Network)は、生成機械学習を利用して大規模な人工浸水データをシミュレートする新しい手法である。 Flood-Precip GANは、高解像度の洪水確率マップを作成するのに必要な合成洪水深度データを生成するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-20T22:43:31Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• 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)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• 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)
• Long-term hail risk assessment with deep neural networks [0.0]
  農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。 特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。 本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:24:39Z)
• Physics-Aware Downsampling with Deep Learning for Scalable Flood Modeling [26.744689956865628]
  我々は深層ニューラルネットワークをトレーニングし、地形図の物理インフォームドダウンサンプリングを行う。 本手法により,正確な解を維持しつつ,計算コストを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T08:05:14Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)
• RainBench: Towards Global Precipitation Forecasting from Satellite Imagery [6.462260770989231]
  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。
  論文  参考訳（メタデータ） (2020-12-17T15:35:24Z)

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。