論文の概要: A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts
- arxiv url: http://arxiv.org/abs/2204.02028v1
- Date: Tue, 5 Apr 2022 07:19:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 13:13:12.733429
- Title: A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts
- Title(参考訳): 降雨予測の確率的ダウンスケーリングに対する生成的深層学習手法
- Authors: Lucy Harris, Andrew T. T. McRae, Matthew Chantry, Peter D. Dueben, Tim
N. Palmer
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5906031288935515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite continuous improvements, precipitation forecasts are still not as
accurate and reliable as those of other meteorological variables. A major
contributing factor to this is that several key processes affecting
precipitation distribution and intensity occur below the resolved scale of
global weather models. Generative adversarial networks (GANs) have been
demonstrated by the computer vision community to be successful at
super-resolution problems, i.e., learning to add fine-scale structure to coarse
images. Leinonen et al. (2020) previously applied a GAN to produce ensembles of
reconstructed high-resolution atmospheric fields, given coarsened input data.
In this paper, we demonstrate this approach can be extended to the more
challenging problem of increasing the accuracy and resolution of comparatively
low-resolution input from a weather forecasting model, using high-resolution
radar measurements as a "ground truth". The neural network must learn to add
resolution and structure whilst accounting for non-negligible forecast error.
We show that GANs and VAE-GANs can match the statistical properties of
state-of-the-art pointwise post-processing methods whilst creating
high-resolution, spatially coherent precipitation maps. Our model compares
favourably to the best existing downscaling methods in both pixel-wise and
pooled CRPS scores, power spectrum information and rank histograms (used to
assess calibration). We test our models and show that they perform in a range
of scenarios, including heavy rainfall.
- Abstract(参考訳): 連続的な改善にもかかわらず、降水予測は他の気象変数ほど正確で信頼性が低い。
主な要因は、降水分布と強度に影響を及ぼすいくつかの重要な過程が、地球規模の気象モデルの解決されたスケール以下で起こることである。
generative adversarial networks (gans) は、コンピュータビジョンコミュニティが超解像問題、すなわち粗い画像に微細な構造を加えることを学ぶことに成功していることが実証されている。
Leinonen et al. (2020) は以前、粗い入力データによって再構成された高解像度の大気場のアンサンブルを生成するために GAN を適用した。
本稿では,高分解能レーダ計測を"地中真実"として用い,気象予報モデルによる比較的低解像度な入力の精度と解像度を高めるという課題に,このアプローチを拡張できることを示す。
ニューラルネットワークは、無視可能な予測エラーを考慮しながら、解像度と構造を追加することを学ぶ必要がある。
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。
提案モデルは,画素別およびプール型crpsスコア,パワースペクトル情報,ランクヒストグラム(キャリブレーションの評価に使用される)において,既存の最善のダウンスケーリング手法と比較した。
私たちはモデルをテストし、豪雨を含むさまざまなシナリオで実行することを示します。
関連論文リスト
- Generative Adversarial Models for Extreme Downscaling of Climate
Datasets [0.0]
気候データセットを極端に下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方
この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。
非常に高いスケーリング要素を持つタスクのスケールダウンにおけるフレームワークのパフォーマンスを実演する。
論文 参考訳(メタデータ) (2024-02-21T18:25:04Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - 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) - 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) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳(メタデータ) (2023-04-20T12:20:35Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z)
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。