論文の概要: RAP-Net: Region Attention Predictive Network for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2110.01035v1
• Date: Sun, 3 Oct 2021 15:55:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:41:42.361329
• Title: RAP-Net: Region Attention Predictive Network for Precipitation Nowcasting
• Title（参考訳）: RAP-Net: 降雨予報のためのリージョンアテンション予測ネットワーク
• Authors: Chuyao Luo, ZhengZhang, Rui Ye, Xutao Li and Yunming Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.587959542301789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural disasters caused by heavy rainfall often cost huge loss of life and property. To avoid it, the task of precipitation nowcasting is imminent. To solve the problem, increasingly deep learning methods are proposed to forecast future radar echo images and then the predicted maps have converted the distribution of rainfall. The prevailing spatiotemporal sequence prediction methods apply ConvRNN structure which combines the Convolution and Recurrent neural network. Although improvements based on ConvRNN achieve remarkable success, these methods ignore capturing both local and global spatial features simultaneously, which degrades the nowcasting in the region of heavy rainfall. To address this issue, we proposed the Region Attention Block (RAB) and embed it into ConvRNN to enhance the forecast in the area with strong rainfall. Besides, the ConvRNN models are hard to memory longer history representations with limited parameters. Considering it, we propose Recall Attention Mechanism (RAM) to improve the prediction. By preserving longer temporal information, RAM contributes to the forecasting, especially in the middle rainfall intensity. The experiments show that the proposed model Region Attention Predictive Network (RAP-Net) has outperformed the state-of-art method.
• Abstract（参考訳）: 豪雨による自然災害は、しばしば生命と財産に大きな損失を被る。 これを避けるため、降水流しの作業が差し迫っている。 この問題を解決するために、将来のレーダエコー画像を予測するための深層学習法が提案され、予測された地図が降雨分布を変換した。 時空間系列予測法では畳み込みと再帰ニューラルネットワークを組み合わせたconvrnn構造を適用する。 ConvRNNによる改善は目覚ましい成功を収めたが、これらの手法は局地的特徴とグローバルな空間的特徴の両方を同時に捉えることを無視し、豪雨の地域での流速を低下させる。 この問題に対処するため,我々は地域意識ブロック (RAB) を提案し,それをConvRNNに組み込み,降雨量の多い地域での予測を強化する。 さらに、ConvRNNモデルはパラメータが制限された長い履歴表現を記憶することが難しい。 そこで本研究では,リコール注意機構(RAM)を提案する。 より長い時間的情報を保存することで、特に中間降雨強度において、RAMは予測に寄与する。 提案するモデル領域注意予測ネットワーク(rap-net)が最先端手法を上回っていることを示す。

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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• 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)
• Skilful Precipitation Nowcasting Using NowcastNet [0.0]
  降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。 我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
  論文  参考訳（メタデータ） (2023-11-29T11:24:52Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
  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。
  論文  参考訳（メタデータ） (2021-04-02T09:29:03Z)
• 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)
• 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)
• Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
  熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。 我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。 この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。