論文の概要: Rain Rate Estimation with SAR using NEXRAD measurements with Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2207.07333v1
• Date: Fri, 15 Jul 2022 08:05:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 21:02:22.054739
• Title: Rain Rate Estimation with SAR using NEXRAD measurements with Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いたNEXRAD測定によるSARによる雨量推定
• Authors: Aur\'elien Colin (1 and 2) and Pierre Tandeo (1) and Charles Peureux (2) and Romain Husson (2) and Nicolas Longepe (3) and Ronan Fablet (1) ((1) IMT Atlantique, Lab-STICC, UMR CNRS, France, (2) Collecte Localisation Satellites, Brest, France, (3) \Phi-lab Explore Office, ESRIN, European Space Agency (ESA), Frascati, Italy)
• Abstract要約: SAR画像から降雨情報を抽出する深層学習手法を提案する。 U-Netのような畳み込みニューラルネットワークは、コロケーションで前処理されたSentinel-1/NEXRADデータセットでトレーニングされ、最先端のフィルタリングスキームよりも明らかに優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing of rainfall events is critical for both operational and scientific needs, including for example weather forecasting, extreme flood mitigation, water cycle monitoring, etc. Ground-based weather radars, such as NOAA's Next-Generation Radar (NEXRAD), provide reflectivity and precipitation measurements of rainfall events. However, the observation range of such radars is limited to a few hundred kilometers, prompting the exploration of other remote sensing methods, paricularly over the open ocean, that represents large areas not covered by land-based radars. For a number of decades, C-band SAR imagery such a such as Sentinel-1 imagery has been known to exhibit rainfall signatures over the sea surface. However, the development of SAR-derived rainfall products remains a challenge. Here we propose a deep learning approach to extract rainfall information from SAR imagery. We demonstrate that a convolutional neural network, such as U-Net, trained on a colocated and preprocessed Sentinel-1/NEXRAD dataset clearly outperforms state-of-the-art filtering schemes. Our results indicate high performance in segmenting precipitation regimes, delineated by thresholds at 1, 3, and 10 mm/h. Compared to current methods that rely on Koch filters to draw binary rainfall maps, these multi-threshold learning-based models can provide rainfall estimation for higher wind speeds and thus may be of great interest for data assimilation weather forecasting or for improving the qualification of SAR-derived wind field data.
• Abstract（参考訳）: 降雨イベントのリモートセンシングは、例えば天気予報、極端な洪水緩和、水循環モニタリングなど、運用と科学の両方のニーズに対して重要である。 NOAAの次世代レーダー(NEXRAD)のような地上の気象レーダーは、降雨イベントの反射率と降水量の測定を提供する。 しかし、これらのレーダーの観測範囲は数百kmに制限されており、特に陸地レーダーで覆われていない広大な地域を表わす開海での他のリモートセンシング手法の探査が進められている。 何十年もの間、センチネル1のようなCバンドSAR画像は、海面に降雨の兆候を示すことが知られている。 しかし, SAR由来の降雨製品の開発は依然として課題である。 本稿では,SAR画像から降雨情報を抽出する深層学習手法を提案する。 u-net のような畳み込みニューラルネットワークが,先行処理された sentinel-1/nexrad データセット上でトレーニングされることが,最先端のフィルタリングスキームを明らかに上回っていることを実証する。 その結果,セグメンテーション降水量は,1,3,10mm/hの閾値で,高い性能を示した。 コッホフィルタを用いて2値の降雨マップを描画する現在の手法と比較して、これらのマルチスレッド学習ベースのモデルは、より高い風速で降雨推定を行うことができるため、データ同化天気予報やSAR由来の風速データの性能向上に大きな関心を持つ可能性がある。

関連論文リスト

• Rainfall regression from C-band Synthetic Aperture Radar using Multi-Task Generative Adversarial Networks [0.0]
  本稿では,SAR(Synthetic Aperture Radar)から1ピクセルあたり200mの空間分解能で降水速度を推定するデータ駆動手法を提案する。 完全なNEXRADアーカイブを利用して、Sentinel-1データとのコロケーションを検索する。 その結果,降雨量の推定精度が向上し,最大15m/sのシナリオに性能を拡張できることがわかった。
  論文  参考訳（メタデータ） (2024-11-05T20:06:50Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
  多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。 ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。 我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
  論文  参考訳（メタデータ） (2024-04-17T14:07:22Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• PAUNet: Precipitation Attention-based U-Net for rain prediction from satellite radiance data [0.0]
  本稿では,衛星放射データから降水を予測するディープラーニングアーキテクチャPAUNetを提案する。 PAUNetはU-NetとRes-Netの亜種であり、マルチバンド衛星画像の大規模コンテキスト情報を効果的にキャプチャするために設計された。 PAUNetは、ヨーロッパ各地のデータセットに基づいてトレーニングされており、ベースラインモデルよりも高い臨界成功指数(CSI)スコアで顕著な精度を示している。
  論文  参考訳（メタデータ） (2023-11-30T07:22:55Z)
• 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)
• 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)
• Reduction of rain-induced errors for wind speed estimation on SAR observations using convolutional neural networks [0.16067645574373132]
  降雨時の誤差を低減した風速推定器を訓練する。 その結果,SAR製品における降雨関連誤差を補正する深層学習モデルの能力が示された。
  論文  参考訳（メタデータ） (2023-03-16T10:19:14Z)
• 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)
• 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)
• 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)

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。