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
- 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) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - 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) - 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。