論文の概要: Effective Training Strategies for Deep-learning-based Precipitation
Nowcasting and Estimation
- arxiv url: http://arxiv.org/abs/2202.10555v1
- Date: Thu, 17 Feb 2022 09:55:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:01:33.688276
- Title: Effective Training Strategies for Deep-learning-based Precipitation
Nowcasting and Estimation
- Title(参考訳): 深層学習に基づく降水予測と推定のための効果的なトレーニング戦略
- Authors: Jihoon Ko, Kyuhan Lee, Hyunjin Hwang, Seok-Geun Oh, Seok-Woo Son,
Kijung Shin
- Abstract要約: 我々は、広く使われているディープラーニングモデルであるU-Netを、降水量予測とレーダ画像からの降水量推定の2つの問題に適用する。
これらの課題に対して,地表面積の降水を必要とせず,近い将来にレーダ画像を予測するための事前訓練を提案する。
韓国から7年にわたって収集したレーダー画像と降水データセットを用いて,本手法の有効性を実証した。
- 参考スコア(独自算出の注目度): 12.518808113450246
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning has been successfully applied to precipitation nowcasting. In
this work, we propose a pre-training scheme and a new loss function for
improving deep-learning-based nowcasting. First, we adapt U-Net, a widely-used
deep-learning model, for the two problems of interest here: precipitation
nowcasting and precipitation estimation from radar images. We formulate the
former as a classification problem with three precipitation intervals and the
latter as a regression problem. For these tasks, we propose to pre-train the
model to predict radar images in the near future without requiring ground-truth
precipitation, and we also propose the use of a new loss function for
fine-tuning to mitigate the class imbalance problem. We demonstrate the
effectiveness of our approach using radar images and precipitation datasets
collected from South Korea over seven years. It is highlighted that our
pre-training scheme and new loss function improve the critical success index
(CSI) of nowcasting of heavy rainfall (at least 10 mm/hr) by up to 95.7% and
43.6%, respectively, at a 5-hr lead time. We also demonstrate that our approach
reduces the precipitation estimation error by up to 10.7%, compared to the
conventional approach, for light rainfall (between 1 and 10 mm/hr). Lastly, we
report the sensitivity of our approach to different resolutions and a detailed
analysis of four cases of heavy rainfall.
- Abstract(参考訳): 深層学習は降水流にうまく適用されている。
本研究では,事前学習方式と,ディープラーニングに基づく nowcasting 改善のための新しい損失関数を提案する。
まず、広く使われているディープラーニングモデルであるU-Netを、降水量予測とレーダ画像からの降水量推定の2つの問題に適用する。
前者を3つの降水間隔を持つ分類問題、後者を回帰問題として定式化する。
そこで本研究では, 地中降雨を必要とせず, 近い将来, レーダー画像予測モデルを事前学習することを提案し, また, クラス不均衡問題を解決するために, 微調整のための新しい損失関数の利用を提案する。
韓国から7年にわたって収集したレーダー画像と降水データセットを用いて,本手法の有効性を実証した。
その結果,前訓練計画と新しい損失関数により,5時間リードタイムで最大95.7%,43.6%の降雨量(少なくとも10mm/h)のナッシングの臨界成功率(csi)が向上した。
また,従来の降水量に比べて降水量推定誤差が最大で10.7%減少し,降水量は1mm/hrから10mm/hrに減少した。
最後に, 異なる分解能に対するアプローチの感度について報告し, 豪雨の4例について詳細な解析を行った。
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) - PostRainBench: A comprehensive benchmark and a new model for
precipitation forecasting [15.937786723800883]
AIベースの後処理技術を従来の数値気象予測(NWP)手法と組み合わせることで、予測精度を向上させるためのより効果的なソリューションを提供する。
重み付き損失関数を特別に設計した,シンプルで効果的なチャネル注意強化マルチタスク学習フレームワークであるCAMTを提案する。
我々のモデルは、極度の降水条件下で従来のNWPアプローチを上回る、初めてのディープラーニングベースの手法である。
論文 参考訳(メタデータ) (2023-10-04T09:27:39Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-17T05:42:27Z) - Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data [14.672132394870445]
複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。
ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。
この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
論文 参考訳(メタデータ) (2022-10-20T14:59:58Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳(メタデータ) (2022-07-29T22:35:05Z) - Precipitaion Nowcasting using Deep Neural Network [1.7039969990048311]
本稿では,高分解能降水マップを得るためのパッチ抽出アルゴリズムを提案する。
我々は,ぼやけた画像の問題を解消し,降水マップにおけるゼロ値画素の影響を低減するために,損失関数を提案した。
論文 参考訳(メタデータ) (2022-03-24T17:28:08Z) - 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) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳(メタデータ) (2020-08-28T04:29:54Z)
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。