論文の概要: Deep Temporal Interpolation of Radar-based Precipitation

• arxiv url: http://arxiv.org/abs/2203.01277v1
• Date: Tue, 1 Mar 2022 11:20:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 13:30:52.423002
• Title: Deep Temporal Interpolation of Radar-based Precipitation
• Title（参考訳）: レーダーによる降水の深部時間補間
• Authors: Michiaki Tatsubori, Takao Moriyama, Tatsuya Ishikawa, Paolo Fraccaro, Anne Jones, Blair Edwards, Julian Kuehnert, Sekou L. Remy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.6216720685113004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When providing the boundary conditions for hydrological flood models and estimating the associated risk, interpolating precipitation at very high temporal resolutions (e.g. 5 minutes) is essential not to miss the cause of flooding in local regions. In this paper, we study optical flow-based interpolation of globally available weather radar images from satellites. The proposed approach uses deep neural networks for the interpolation of multiple video frames, while terrain information is combined with temporarily coarse-grained precipitation radar observation as inputs for self-supervised training. An experiment with the Meteonet radar precipitation dataset for the flood risk simulation in Aude, a department in Southern France (2018), demonstrated the advantage of the proposed method over a linear interpolation baseline, with up to 20% error reduction.
• Abstract（参考訳）: 洪水モデルの境界条件とそれに伴うリスクを推定する際には, 局所的な洪水の原因を見逃さないように, 高度の時間分解能(例:5分)で降水を補間することが不可欠である。 本稿では,衛星からのグローバル気象レーダ画像の光学フローに基づく補間について検討する。 提案手法では,複数のビデオフレームの補間にディープニューラルネットワークを用い,地形情報と短時間の粗粒降雨レーダ観測を併用して自己監督訓練を行う。 南フランス(2018年)のオード県における洪水危険シミュレーションのためのMeteonetレーダ降水データセットを用いた実験により, 線形補間ベースラインよりも提案手法の利点を最大20%の誤差低減で実証した。

関連論文リスト

• 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)
• KPNDepth: Depth Estimation of Lane Images under Complex Rainy Environment [0.0]
  本稿では,降雨環境下でのレーン深度推定のための新しい2層畳み込みカーネル予測ネットワークを提案する。 2組のカーネルを予測し、深さ損失と雨天のアーティファクトを緩和する。 実験は、複雑な雨条件下でのフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-05-16T10:15:16Z)
• 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)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)
• Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks [0.16067645574373132]
  NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。 本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。 我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
  論文  参考訳（メタデータ） (2022-07-15T08:05:41Z)
• CNN-based Temporal Super Resolution of Radar Rainfall Products [0.0]
  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。
  論文  参考訳（メタデータ） (2021-09-20T03:58:52Z)
• Depth Estimation from Monocular Images and Sparse radar using Deep Ordinal Regression Network [2.0446891814677692]
  我々は, スパースレーダデータを単眼深度推定モデルに統合し, レーダによって提供されるスパースネスと限られた視野を減らすための新しい前処理手法を提案する。 本稿では,Fuらによる深度回帰ネットワークに基づく深度学習を用いて,単眼2次元画像から高密度深度マップを推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T20:17:48Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。