論文の概要: Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion

• arxiv url: http://arxiv.org/abs/2209.11682v1
• Date: Mon, 19 Sep 2022 16:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:14:24.037453
• Title: Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion
• Title（参考訳）: 深部マルチスケール外挿融合による気象衛星画像の予測
• Authors: Fang Huang, Wencong Cheng, PanFeng Wang, ZhiGang Wang, HongHong He
• Abstract要約: 気象衛星画像の正確な予測は特に2時間先まで予測することが重要である。 本稿では,現在予測されている問題に対処するため,深層多スケール核融合法を提案する。 FY-4A気象衛星データに基づく実験により,提案手法が現実的な予測画像を生成することを示す。
• 参考スコア（独自算出の注目度）: 5.125401106179782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meteorological satellite imagery is critical for meteorologists. The data have played an important role in monitoring and analyzing weather and climate changes. However, satellite imagery is a kind of observation data and exists a significant time delay when transmitting the data back to Earth. It is important to make accurate predictions for meteorological satellite images, especially the nowcasting prediction up to 2 hours ahead. In recent years, there has been growing interest in the research of nowcasting prediction applications of weather radar images based on deep learning. Compared to the weather radar images prediction problem, the main challenge for meteorological satellite images prediction is the large-scale observation areas and therefore the large sizes of the observation products. Here we present a deep multi-scales extrapolation fusion method, to address the challenge of the meteorological satellite images nowcasting prediction. First, we downsample the original satellite images dataset with large size to several images datasets with smaller resolutions, then we use a deep spatiotemporal sequences prediction method to generate the multi-scales prediction images with different resolutions separately. Second, we fuse the multi-scales prediction results to the targeting prediction images with the original size by a conditional generative adversarial network. The experiments based on the FY-4A meteorological satellite data show that the proposed method can generate realistic prediction images that effectively capture the evolutions of the weather systems in detail. We believe that the general idea of this work can be potentially applied to other spatiotemporal sequence prediction tasks with a large size.
• Abstract（参考訳）: 気象衛星画像は気象学者にとって重要である。 このデータは、気象と気候変動の監視と分析において重要な役割を担っている。 しかし、衛星画像は観測データの一種であり、地球にデータを送信する際にかなりの時間遅延が存在する。 気象衛星画像の正確な予測、特に2時間前までの予測を行うことは重要である。 近年,ディープラーニングに基づく気象レーダ画像の流速予測への応用に関する研究への関心が高まっている。 気象レーダー画像予測問題と比較すると,気象衛星画像予測の主な課題は大規模観測領域であり,観測製品の大型化である。 本稿では,気象衛星画像の現況予測の課題に対処するため,深層マルチスケール外挿融合法を提案する。 まず,大きめの衛星画像データセットを,より小さな解像度の複数の画像データセットにダウンサンプルし,さらに深部時空間シーケンス予測法を用いて,異なる解像度のマルチスケール予測画像を生成する。 第2に,条件付き生成逆数ネットワークを用いて,マルチスケール予測結果をターゲット画像と原サイズで融合する。 FY-4A気象衛星データに基づく実験により,提案手法は気象システムの進化を詳細に捉えた現実的な予測画像を生成することができることを示した。 本研究の一般的な考え方は,他の時空間列予測タスクにも大きな規模で適用できると考えられる。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• 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)
• 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)
• Intermediate and Future Frame Prediction of Geostationary Satellite Imagery With Warp and Refine Network [4.393292642453663]
  静止衛星画像は、気候や天気予報、自然エネルギー資源の計画、極端な気象事象の予測に応用されている。 高精度かつ正確な予測のためには、静止衛星画像の高分解能と時間分解能が重要である。 我々はこの問題を解決するためにワープ・アンド・フィニッシュ・ネットワーク(WR-Net)を提案した。 WR-Netは、光流ワープ成分とワープ画像精製成分とに分けられる。
  論文  参考訳（メタデータ） (2023-03-08T06:53:42Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• WeatherFusionNet: Predicting Precipitation from Satellite Data [0.0]
  低分解能衛星放射率画像から高分解能降水を予測することを目的としている。 WeatherFusionNetと呼ばれるニューラルネットワークは、前もって8時間までの激しい雨を予測するために使用されている。 私たちはNeurIPS 2022 Weather4Cast Coreチャレンジで1位を獲得しました。
  論文  参考訳（メタデータ） (2022-11-30T08:49:13Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• EarthNet2021: A large-scale dataset and challenge for Earth surface forecasting as a guided video prediction task [12.795776149170978]
  将来の気象条件を考慮した衛星画像の予測タスクとして地球表面予測を枠組み化します。 earthnet2021は、タスク上のディープニューラルネットワークのトレーニングに適した大きなデータセットである。 結果予測は、数値モデルに見られる空間分解能を大幅に改善します。
  論文  参考訳（メタデータ） (2021-04-16T09:47:30Z)

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。