論文の概要: Nowcasting-Nets: Deep Neural Network Structures for Precipitation
Nowcasting Using IMERG
- arxiv url: http://arxiv.org/abs/2108.06868v1
- Date: Mon, 16 Aug 2021 02:55:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 23:54:10.951087
- Title: Nowcasting-Nets: Deep Neural Network Structures for Precipitation
Nowcasting Using IMERG
- Title(参考訳): Nowcasting-Nets: IMERGを用いた降水開始のためのディープニューラルネットワーク構造
- Authors: Mohammad Reza Ehsani, Ariyan Zarei, Hoshin V. Gupta, Kobus Barnard,
Ali Behrangi
- Abstract要約: リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。
GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。
また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
- 参考スコア(独自算出の注目度): 1.9860735109145415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and timely estimation of precipitation is critical for issuing
hazard warnings (e.g., for flash floods or landslides). Current remotely sensed
precipitation products have a few hours of latency, associated with the
acquisition and processing of satellite data. By applying a robust nowcasting
system to these products, it is (in principle) possible to reduce this latency
and improve their applicability, value, and impact. However, the development of
such a system is complicated by the chaotic nature of the atmosphere, and the
consequent rapid changes that can occur in the structures of precipitation
systems In this work, we develop two approaches (hereafter referred to as
Nowcasting-Nets) that use Recurrent and Convolutional deep neural network
structures to address the challenge of precipitation nowcasting. A total of
five models are trained using Global Precipitation Measurement (GPM) Integrated
Multi-satellitE Retrievals for GPM (IMERG) precipitation data over the Eastern
Contiguous United States (CONUS) and then tested against independent data for
the Eastern and Western CONUS. The models were designed to provide forecasts
with a lead time of up to 1.5 hours and, by using a feedback loop approach, the
ability of the models to extend the forecast time to 4.5 hours was also
investigated. Model performance was compared against the Random Forest (RF) and
Linear Regression (LR) machine learning methods, and also against a persistence
benchmark (BM) that used the most recent observation as the forecast.
Independent IMERG observations were used as a reference, and experiments were
conducted to examine both overall statistics and case studies involving
specific precipitation events. Overall, the forecasts provided by the
Nowcasting-Net models are superior, with the Convolutional Nowcasting Network
with Residual Head (CNC-R) achieving 25%, 28%, and 46% improvement in the test
...
- Abstract(参考訳): 降雨の正確かつタイムリーな推定は、危険警報(フラッシュフラッドや地すべりなど)の発行には不可欠である。
現在のリモートセンシングされた降水製品には、衛星データの取得と処理に関連する遅延が数時間ある。
これらの製品に堅牢なストリーミングシステムを適用することで、(原則として)このレイテンシを低減し、適用性、価値、影響を改善することができます。
しかし,このようなシステムの開発は大気のカオス的性質によって複雑であり,本研究では降水系の構造に生じる一連の急速な変化を,再帰的および畳み込み型深層ニューラルネットワーク構造を用いた2つのアプローチ(以下,nowcasting-nets)を開発し,降水流速化の課題に対処した。
アメリカ合衆国東部大陸(conus)のgpm(imerg)降水データに対するグローバル降水測定(gpm)統合多衛星検索法を用いて5つのモデルを訓練し、東部および西部大陸の独立データを対象に実験を行った。
モデルは最大1.5時間までのリードタイムを予測できるように設計され、フィードバックループアプローチを用いて予測時間を4.5時間まで延長する能力も検討された。
モデル性能はRandom Forest(RF)とLinear Regression(LR)の機械学習手法と、最新の観測を予測として用いた永続化ベンチマーク(BM)とを比較した。
個別の IMERG 観測を参考として, 降水イベントに関する総合統計とケーススタディの両方について実験を行った。
Nowcasting-Netモデルが提供する予測は全体的に優れており、Convolutional Nowcasting Network with Residual Head (CNC-R) は25%、28%、そして46%の改善を達成している。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - AdaNAS: Adaptively Post-processing with Self-supervised Neural
Architecture Search for Ensemble Rainfall Forecasts [16.723190233704432]
本稿では,降雨予知処理と降雨予測を高精度に行う自己教師型ニューラルネットワークサーチ(NAS)手法を提案する。
さらに,降雨エリアの予測を著しく改善する雨量対応検索空間を設計する。
EmphNone、emphLight、emphModerate、emphHeavy、emphViolentの大規模な降水ベンチマークで検証実験が行われた。
論文 参考訳(メタデータ) (2023-12-26T13:23:03Z) - ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution
and Transformer Networks [47.60320586459432]
ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。
ResoNetは、19~26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-12-16T12:12:31Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals
for GPM: A U-Net Convolutional LSTM Architecture [3.5776345196917254]
本稿では,30分毎の降水量を4時間のリードタイムでほぼ全世界的に予測する深層学習アーキテクチャを提案する。
このアーキテクチャは、U-Netと畳み込み長短期記憶(LSTM)ニューラルネットワークを融合させる。
GPM(IMERG)のための統合MultisatellitE Retrievalsのデータと、Global Forecast System(GFS)のいくつかの主要な降水ドライバを用いてトレーニングされている。
論文 参考訳(メタデータ) (2023-07-20T13:04:26Z) - Convolutional GRU Network for Seasonal Prediction of the El
Ni\~no-Southern Oscillation [24.35408676030181]
本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。
提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。
その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
論文 参考訳(メタデータ) (2023-06-18T00:15:45Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Spatiotemporal Weather Data Predictions with Shortcut
Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge [0.0]
本稿では、著者がWeather4cast 2021 Challenge Stage 1で使用したニューラルネットワークモデルについて述べる。
目的は、衛星ベースの気象データ画像の時間的進化を予測することである。
ネットワークは、ゲートリカレントユニット(GRU)、残留ブロック、U-Netに似たショートカットを持つ縮小/拡張アーキテクチャを利用するエンコーダ・フォカスターアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-03T10:36:47Z) - 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)
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。