論文の概要: Rain regime segmentation of Sentinel-1 observation learning from NEXRAD
collocations with Convolution Neural Networks
- arxiv url: http://arxiv.org/abs/2207.07333v3
- Date: Wed, 18 Oct 2023 21:19:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 21:21:24.886652
- Title: Rain regime segmentation of Sentinel-1 observation learning from NEXRAD
collocations with Convolution 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コロケーションからのSentinel-1観測学習の降雨状態セグメンテーション
- Authors: Aur\'elien Colin (1,2) and Pierre Tandeo (1) and Charles Peureux (2)
and Romain Husson (2) and Nicolas Long\'ep\'e (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: 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。
- 参考スコア(独自算出の注目度): 0.16067645574373132
- 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
estimates of rainfall events. However, their observation range is limited to a
few hundred kilometers, prompting the exploration of other remote sensing
methods, particularly over the open ocean, that represents large areas not
covered by land-based radars. Here we propose a deep learning approach to
deliver a three-class segmentation of SAR observations in terms of rainfall
regimes. SAR satellites deliver very high resolution observations with a global
coverage. This seems particularly appealing to inform fine-scale rain-related
patterns, such as those associated with convective cells with characteristic
scales of a few kilometers. We demonstrate that a convolutional neural network
trained on a collocated Sentinel-1/NEXRAD dataset clearly outperforms
state-of-the-art filtering schemes such as the Koch's filters. Our results
indicate high performance in segmenting precipitation regimes, delineated by
thresholds at 24.7, 31.5, and 38.8 dBZ. Compared to current methods that rely
on Koch's filters to draw binary rainfall maps, these multi-threshold
learning-based models can provide rainfall estimation. They may be of interest
in improving high-resolution SAR-derived wind fields, which are degraded by
rainfall, and provide an additional tool for the study of rain cells.
- 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、降雨の反射率と降雨量の推定を提供する。
しかし、その観測範囲は数百kmに限られており、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他のリモートセンシング手法の探査が進められている。
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。
SAR衛星は地球規模で非常に高解像度の観測を行う。
これは特に、数キロの特徴的なスケールを持つ対流性細胞に関連するような、降雨に関連する微細なパターンを知らせるのに魅力的である。
本研究では,sentinel-1/nexradデータセットをコロケートした畳み込みニューラルネットワークが,kochフィルタなどの最先端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示す。
以上の結果から, 降水量は24.7, 31.5, 38.8dBZで, 降水条件下では高い性能を示した。
コッホのフィルタによる二値降雨図の描画法と比較すると、これらの多閾値学習に基づくモデルは降雨推定を提供することができる。
降雨によって劣化する高分解能sar由来の風場の改善に関心があり、雨細胞の研究のための追加のツールを提供する。
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。