論文の概要: Skillful Precipitation Nowcasting using Deep Generative Models of Radar
- arxiv url: http://arxiv.org/abs/2104.00954v1
- Date: Fri, 2 Apr 2021 09:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 13:45:01.657186
- Title: Skillful Precipitation Nowcasting using Deep Generative Models of Radar
- Title（参考訳）: レーダの深部生成モデルを用いた巧妙な降雨予報
- Authors: Suman Ravuri, Karel Lenc, Matthew Willson, Dmitry Kangin, Remi Lam,
Piotr Mirowski, Megan Fitzsimons, Maria Athanassiadou, Sheleem Kashem, Sam
Madge, Rachel Prudden, Amol Mandhane, Aidan Clark, Andrew Brock, Karen
Simonyan, Raia Hadsell, Niall Robinson, Ellen Clancy, Alberto Arribas, Shakir
Mohamed
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.220892855431494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precipitation nowcasting, the high-resolution forecasting of precipitation up
to two hours ahead, supports the real-world socio-economic needs of many
sectors reliant on weather-dependent decision-making. State-of-the-art
operational nowcasting methods typically advect precipitation fields with
radar-based wind estimates, and struggle to capture important non-linear events
such as convective initiations. Recently introduced deep learning methods use
radar to directly predict future rain rates, free of physical constraints.
While they accurately predict low-intensity rainfall, their operational utility
is limited because their lack of constraints produces blurry nowcasts at longer
lead times, yielding poor performance on more rare medium-to-heavy rain events.
To address these challenges, we present a Deep Generative Model for the
probabilistic nowcasting of precipitation from radar. Our model produces
realistic and spatio-temporally consistent predictions over regions up to 1536
km x 1280 km and with lead times from 5-90 min ahead. In a systematic
evaluation by more than fifty expert forecasters from the Met Office, our
generative model ranked first for its accuracy and usefulness in 88% of cases
against two competitive methods, demonstrating its decision-making value and
ability to provide physical insight to real-world experts. When verified
quantitatively, these nowcasts are skillful without resorting to blurring. We
show that generative nowcasting can provide probabilistic predictions that
improve forecast value and support operational utility, and at resolutions and
lead times where alternative methods struggle.
- Abstract（参考訳）: 降水予報は2時間前までの高分解能な降水予測であり、天候に依存した意思決定に依存する多くのセクターの現実世界の社会経済的ニーズをサポートする。
最先端の運用用流し込み方式は、一般的にレーダーによる風速推定を伴う降水場を回避し、対流開始のような重要な非線形事象を捉えるのに苦労する。
最近導入されたディープラーニング手法では、レーダーを用いて将来の降雨率を直接予測する。
低気圧の降雨を正確に予測する一方で、制約の欠如によりより長いリードタイムでぼやけたナキャストが発生し、より稀な中豪雨で性能が低下するため、運用上の有用性は限られている。
これらの課題に対処するために,我々はレーダーからの降水の確率的再キャストのための深い生成モデルを提案する。
本モデルでは, 最大1536km×1280km, リード時間5～90mの領域に対して, 実時間および時空間的に一貫した予測を行う。
Met Officeの50名以上の専門家予測者による体系的評価では、実世界の専門家に物理的な洞察を提供するための意思決定価値と能力を示し、その精度と有用性を88%のケースで評価した。
定量的に検証すると、これらはぼやけずに熟練している。
ジェネレイティブ・ナキャスティングは,予測値を改善し,運用上の有用性をサポートする確率的予測と,代替手法が苦戦する解像度とリードタイムを提供する。
関連論文リスト
- PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳（メタデータ） (2023-06-24T22:00:06Z) - Diffusion Models for High-Resolution Solar Forecasts [0.0]
スコアベース拡散モデルは、多くの依存変数上の確率分布をモデル化するための新しいアプローチを提供する。
本手法は,超解速気象予測のための拡散モデルから多くの試料を発生させることにより,日頭太陽照度予測に適用する。
論文 参考訳（メタデータ） (2023-02-01T01:32:25Z) - 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) - RAP-Net: Region Attention Predictive Network for Precipitation
Nowcasting [15.587959542301789]
予測を改善するためにリコール注意機構(RAM)を提案する。
実験の結果,提案する領域注意予測ネットワーク(RAP-Net)は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-03T15:55:18Z) - 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) - 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。