論文の概要: Machine Learning Emulation of 3D Cloud Radiative Effects
- arxiv url: http://arxiv.org/abs/2103.11919v1
- Date: Mon, 22 Mar 2021 15:01:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 21:06:22.715432
- Title: Machine Learning Emulation of 3D Cloud Radiative Effects
- Title（参考訳）: 3次元雲放射効果の機械学習エミュレーション
- Authors: David Meyer, Robin J. Hogan, Peter D. Dueben, Shannon L. Mason
- Abstract要約: 3Dクラウドエフェクトは、ecRadの高速なTriplecloudsソルバと、CloUd Sides (SPARTACUS)ソルバによる放射型TrAnsferのためのSPeedy Algorithmの違いとして学習される。
我々は、エミュレータが3D信号の20と30%の順序でバルク平均絶対誤差で、Triplecloudsの長波と短波の両方の精度を高めるために使用することができることを発見した計算コストの1パーセント未満の増加。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The treatment of cloud structure in radiation schemes used in operational
numerical weather prediction and climate models is often greatly simplified to
make them computationally affordable. Here, we propose to correct the radiation
scheme ecRad -- as used for operational predictions at the European Centre for
Medium-Range Weather Forecasts -- for 3D cloud effects using computationally
cheap neural networks. 3D cloud effects are learned as the difference between
ecRad's fast Tripleclouds solver that neglects them, and its SPeedy Algorithm
for Radiative TrAnsfer through CloUd Sides (SPARTACUS) solver that includes
them but increases the cost of the entire radiation scheme by around five times
so is too expensive for operational use. We find that the emulator can be used
to increase the accuracy of both longwave and shortwave fluxes of Tripleclouds,
with a bulk mean absolute error on the order of 20 and 30 % the 3D signal, for
less than 1 % increase in computational cost. By using the neural network to
correct the cloud-related errors in a fast radiation scheme, rather than trying
to emulate the entire radiation scheme, we take advantage of the fast scheme's
accurate performance in cloud-free parts of the atmosphere, particularly in the
stratosphere and mesosphere.
- Abstract（参考訳）: 数値気象予測や気候モデルで使われる放射線計画における雲の構造の処理は、計算的に手頃な価格にするために、しばしば大幅に単純化される。
本稿では,欧州中距離気象予報センターの運用予測に用いる放射線計画ecradを,計算量的に安価なニューラルネットワークを用いて3dクラウド効果に対して補正することを提案する。
3Dクラウドエフェクトは、これらを無視したecRadの高速なTriplecloudsソルバと、それらを含むが、全放射能スキームのコストを約5倍に高めるため、運用には高すぎるという、CloUd Sides (SPARTACUS)ソルバによる放射性TrAnsferのためのSPeedy Algorithmとの違いとして学習される。
3d 信号の20 % と 30 % の順序でバルク平均絶対誤差を伴い,計算コストが 1 % 未満の長波フラックスと短波フラックスの両方の精度を向上させるためにエミュレータが使用できることがわかった。
ニューラルネットワークを用いて、高速放射線スキーム全体のエミュレートではなく、高速放射線スキームの雲関連の誤差を補正することにより、特に成層圏や成層圏における雲のない部分における高速スキームの正確な性能を活用する。
関連論文リスト
- TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [6.752848431431841]
雨、霧、雪などの実際の悪天候は、大きな騒音と干渉をもたらす。
既存のデータセットは、限られた天候の多様性と小さなデータセットサイズに悩まされることが多い。
3つのミキサー層からなる新しいポイントクラウドデノナイズモデルTripleMixerを提案する。
論文 参考訳（メタデータ） (2024-08-25T10:45:52Z) - Fast Training of Diffusion Transformer with Extreme Masking for 3D Point
Clouds Generation [64.99362684909914]
我々は,効率的な3次元点雲生成に適したマスク付き拡散変圧器であるFastDiT-3Dを提案する。
また,新しいボクセル対応マスキング手法を提案し,ボクセル化点雲から背景・地上情報を適応的に集約する。
本手法は, マスキング比が99%近い最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-12T12:50:33Z) - Machine Learning Estimation of Maximum Vertical Velocity from Radar [0.0]
ストームアップドラフトは、対流とそれに伴う深刻な気象の危険に固有の重要性にもかかわらず、運用上の予測では利用できないままである。
衛星画像からトップエリアをオーバーシュートするようなアップドラフトプロキシは、厳しい天候の危険性に結びついているが、全体のストームアップドラフトのごく一部にしか関係していない。
本研究では,3次元格子型レーダの反射率のみから,機械学習モデル,すなわちU-Netsが最大垂直速度とそのアレー範囲を巧みに取得できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-13T20:26:55Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - TempEE: Temporal-Spatial Parallel Transformer for Radar Echo
Extrapolation Beyond Auto-Regression [18.456518902538814]
本稿では,TempEEと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。
自動回帰の使用を回避し、累積誤差の拡散を防ぐために1ステップの前進戦略を採用する。
広範囲な実験により、TempEE内の様々な成分の有効性と不必要性が検証された。
論文 参考訳（メタデータ） (2023-04-27T12:26:04Z) - Boosting Point Clouds Rendering via Radiance Mapping [49.24193509772339]
コンパクトなモデル設計でポイントクラウドレンダリングの画質向上に重点を置いている。
我々はNeRF表現を1ピクセルあたりの単一評価しか必要としない空間マッピング関数に単純化する。
提案手法は点雲上での最先端のレンダリングを実現し,先行研究を顕著なマージンで上回った。
論文 参考訳（メタデータ） (2022-10-27T01:25:57Z) - Analyzing Deep Learning Representations of Point Clouds for Real-Time
In-Vehicle LiDAR Perception [2.365702128814616]
本稿では,現代の深層ニューラルネットワークで使用されているLiDAR点群を3次元点群処理に応用した新しい計算分類法を提案する。
これにより、計算効率、メモリ要件、表現能力の点で共通の利点と限界を明らかにする。
論文 参考訳（メタデータ） (2022-10-26T10:39:59Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳（メタデータ） (2021-12-07T06:59:06Z) - 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) - LiDAR Data Enrichment Using Deep Learning Based on High-Resolution
Image: An Approach to Achieve High-Performance LiDAR SLAM Using Low-cost
LiDAR [15.0719696353702]
本稿では、カメラからの高解像度画像を用いて、低コストの16チャンネルLiDARから生の3D点雲を濃縮する。
ERFNetは、生のスパース3D点雲の助けを借りて画像を分割するために使用される。
スパース畳み込みニューラルネットワークは、生のスパース3D点雲に基づいて密度の高い点雲を予測するために使用される。
論文 参考訳（メタデータ） (2020-08-09T09:20:47Z)
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。