論文の概要: Accurate and Clear Precipitation Nowcasting with Consecutive Attention and Rain-map Discrimination

• arxiv url: http://arxiv.org/abs/2102.08175v1
• Date: Tue, 16 Feb 2021 14:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 21:26:56.077424
• Title: Accurate and Clear Precipitation Nowcasting with Consecutive Attention and Rain-map Discrimination
• Title（参考訳）: 連続的注意と雨図識別による高精度・クリア降雨予報
• Authors: Ashesh, Buo-Fu Chen, Treng-Shi Huang, Boyo Chen, Chia-Tung Chang, Hsuan-Tien Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.686939430992966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation nowcasting is an important task for weather forecasting. Many recent works aim to predict the high rainfall events more accurately with the help of deep learning techniques, but such events are relatively rare. The rarity is often addressed by formulations that re-weight the rare events. Somehow such a formulation carries a side effect of making "blurry" predictions in low rainfall regions and cannot convince meteorologists to trust its practical usability. We fix the trust issue by introducing a discriminator that encourages the prediction model to generate realistic rain-maps without sacrificing predictive accuracy. Furthermore, we extend the nowcasting time frame from one hour to three hours to further address the needs from meteorologists. The extension is based on consecutive attentions across different hours. We propose a new deep learning model for precipitation nowcasting that includes both the discrimination and attention techniques. The model is examined on a newly-built benchmark dataset that contains both radar data and actual rain data. The benchmark, which will be publicly released, not only establishes the superiority of the proposed model, but also is expected to encourage future research on precipitation nowcasting.
• Abstract（参考訳）: 降雨量予測は気象予報の重要な課題である。 最近の多くの研究は、深層学習技術の助けを借りて、高降雨イベントをより正確に予測することを目的としているが、比較的稀である。 ラリティーはしばしばレアイベントを再重み付けする定式化によって取り扱われる。 このような定式化は、低降雨地域で「青く」予測を行う副作用があり、気象学者にその実用性への信頼を説得することができない。 予測精度を犠牲にすることなく、予測モデルが現実的な雨量マップを生成するように促す識別器を導入することで、信頼の問題を修正します。 さらに,気象学者の要求に応えるために,現在放送されている時間枠を1時間から3時間に延長する。 延長は、異なる時間にわたって連続した注意に基づく。 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。 公開されるこのベンチマークは、提案されたモデルの優位性を確立するだけでなく、今後の降水に関する研究を促進することが期待されています。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
  本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。 我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。 Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
  論文  参考訳（メタデータ） (2021-04-02T09:29:03Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• 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)
• A review of radar-based nowcasting of precipitation and applicable machine learning techniques [3.0581668008670673]
  ノウキャスト(英:nowcast)とは、天気予報の一種で、概して2時間以内の短時間で天気予報を行う。 この種の気象予報は、商業航空、公共や屋外のイベント、建設産業に重要な応用がある。 環境科学と機械学習コミュニティの新たなパートナーシップによって、新たな進歩が可能になる。
  論文  参考訳（メタデータ） (2020-05-11T10:34:04Z)

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。