論文の概要: Deep Learning for Rain Fade Prediction in Satellite Communications
- arxiv url: http://arxiv.org/abs/2110.00695v1
- Date: Sat, 2 Oct 2021 00:43:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:53:09.960685
- Title: Deep Learning for Rain Fade Prediction in Satellite Communications
- Title（参考訳）: 衛星通信における降雨量予測のための深層学習
- Authors: Aidin Ferdowsi, David Whitefield
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.619650459583444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Line of sight satellite systems, unmanned aerial vehicles, high-altitude
platforms, and microwave links that operate on frequency bands such as Ka-band
or higher are extremely susceptible to rain. Thus, rain fade forecasting for
these systems is critical because it allows the system to switch between ground
gateways proactively before a rain fade event to maintain seamless service.
Although empirical, statistical, and fade slope models can predict rain fade to
some extent, they typically require statistical measurements of rain
characteristics in a given area and cannot be generalized to a large scale
system. Furthermore, such models typically predict near-future rain fade events
but are incapable of forecasting far into the future, making proactive resource
management more difficult. In this paper, a deep learning (DL)-based
architecture is proposed that forecasts future rain fade using satellite and
radar imagery data as well as link power measurements. Furthermore, the data
preprocessing and architectural design have been thoroughly explained and
multiple experiments have been conducted. Experiments show that the proposed DL
architecture outperforms current state-of-the-art machine learning-based
algorithms in rain fade forecasting in the near and long term. Moreover, the
results indicate that radar data with weather condition information is more
effective for short-term prediction, while satellite data with cloud movement
information is more effective for long-term predictions.
- Abstract（参考訳）: 視線衛星システム、無人航空機、高高度プラットフォーム、およびKaバンド以上の周波数帯で動作するマイクロ波リンクは雨の影響を受けやすい。
したがって,降雨イベント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ことができるため,これらのシステムに対する降雨予報が重要である。
経験的,統計的,フェード斜面モデルでは,ある程度の降雨フェードを予測できるが,雨の特徴を統計的に測定する必要があり,大規模システムには一般化できないのが普通である。
さらに、このようなモデルは通常、近未来の雨天現象を予測できるが、未来まで予測できないため、前向きな資源管理がより困難になる。
本稿では,衛星データとレーダ画像データとリンクパワー測定を用いて,将来の降雨量を予測するための,ディープラーニング(dl)ベースのアーキテクチャを提案する。
さらに,データ前処理とアーキテクチャ設計を徹底的に説明し,複数の実験を行った。
実験により,提案するdlアーキテクチャが,降雨時の最先端機械学習アルゴリズムを短期的および長期にわたってフェードフェード予測で上回っていることが示された。
また,気象条件情報付きレーダーデータは短期予測に有効であり,雲移動情報付き衛星データは長期予測に有効であることが示唆された。
関連論文リスト
- 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) - 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) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - 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) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z) - 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) - Fusion of rain radar images and wind forecasts in a deep learning model
applied to rain nowcasting [0.0]
気象予測モデルによる降雨レーダー画像と風速の融合により,深層学習モデルを訓練する。
地平線時間30分で予測する中・高降雨時の光流量をF1スコアで計算し, ネットワークの性能は8%向上した。
降雨と風力データの融合は、訓練過程の安定化にも寄与し、特に降雨の予測が難しい地域では大きな改善をもたらした。
論文 参考訳（メタデータ） (2020-12-09T12:50:06Z) - 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)
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。