論文の概要: CNN-based Temporal Super Resolution of Radar Rainfall Products
- arxiv url: http://arxiv.org/abs/2109.09289v1
- Date: Mon, 20 Sep 2021 03:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:49:26.155985
- Title: CNN-based Temporal Super Resolution of Radar Rainfall Products
- Title(参考訳): レーダー降雨製品のcnnによる時間分解能
- Authors: Muhammed Sit, Bong-Chul Seo and Ibrahim Demir
- Abstract要約: 我々は,比較的低解像度の製品を補うために,時間分解能を上げて降雨データを増大させるアプローチを開発した。
本研究では,レーダーによる降雨生成物の時間分解能を改善するために,畳み込みニューラルネットワーク(CNN)に基づくニューラルネットワークアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The temporal and spatial resolution of rainfall data is crucial for climate
change modeling studies in which its variability in space and time is
considered as a primary factor. Rainfall products from different remote sensing
instruments (e.g., radar or satellite) provide different space-time resolutions
because of the differences in their sensing capabilities. We developed an
approach that augments rainfall data with increased time resolutions to
complement relatively lower resolution products. This study proposes a neural
network architecture based on Convolutional Neural Networks (CNNs) to improve
temporal resolution of radar-based rainfall products and compares the proposed
model with an optical flow-based interpolation method.
- Abstract(参考訳): 降雨データの時間的・空間的解像度は、その空間的・時間的変動を主要因とする気候変動モデリング研究において重要である。
異なるリモートセンシング機器(レーダーや衛星など)からの降雨物は、そのセンシング能力が異なるため、異なる時空間解像度を提供する。
比較的低い解像度の製品を補完するために,降雨データを時間分解能で拡張する手法を開発した。
本研究では,レーダーによる降雨量の時間分解能を向上させるために,畳み込みニューラルネットワーク(CNN)に基づくニューラルネットワークアーキテクチャを提案する。
関連論文リスト
- Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - 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) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - Local-Global Temporal Difference Learning for Satellite Video
Super-Resolution [55.69322525367221]
本稿では,時間的差分を効果的かつ効果的な時間的補償に利用することを提案する。
フレーム内における局所的・大域的時間的情報を完全に活用するために,短期・長期的時間的相違を体系的にモデル化した。
5つの主流ビデオ衛星に対して行われた厳密な客観的および主観的評価は、我々の手法が最先端のアプローチに対して好適に機能することを実証している。
論文 参考訳(メタデータ) (2023-04-10T07:04:40Z) - EfficientTempNet: Temporal Super-Resolution of Radar Rainfall [0.0]
本研究は、より正確な気候変動モデルと研究を支援するため、レーダ降雨物の時間分解能を向上させることを目的とする。
EfficientNetV2、すなわちEfficientTempNetに基づくソリューションを導入し、レーダーによる降雨量の時間分解能を10分から5分に向上させる。
我々はアイオワ州のデータセット上でEfficientRainNetをテストし、そのパフォーマンスを3つの異なるベースラインと比較して、EfficientTempNetがより良い気候変動監視のための実行可能な選択肢であることを示した。
論文 参考訳(メタデータ) (2023-03-09T19:19:56Z) - Look Back and Forth: Video Super-Resolution with Explicit Temporal
Difference Modeling [105.69197687940505]
本稿では,LR空間とHR空間における時間差の明示的モデル化の役割について検討する。
超解像結果をさらに高めるために、空間残留特徴を抽出するだけでなく、高周波領域における連続フレーム間の差も計算する。
論文 参考訳(メタデータ) (2022-04-14T17:07:33Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z) - Deep Temporal Interpolation of Radar-based Precipitation [3.6216720685113004]
我々は,地球規模の気象レーダ画像の光フローに基づく観測を行った。
ディープニューラルネットワークは、複数のビデオフレームの利点の恩恵を受けるために使用される。
地形情報は、自制訓練のための入力として、一時的に粗粒の降水レーダー観測と組み合わせられる。
論文 参考訳(メタデータ) (2022-03-01T11:20:11Z) - Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。
これにより、植生の監視や人道的行動を支援する能力が損なわれる。
空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
論文 参考訳(メタデータ) (2020-11-09T21:06:04Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳(メタデータ) (2020-06-20T03:11:04Z)
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。