論文の概要: Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data
- arxiv url: http://arxiv.org/abs/2210.12853v1
- Date: Thu, 20 Oct 2022 14:59:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 13:10:38.624275
- Title: Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data
- Title(参考訳): 地上気象観測データとレーダーデータを用いた深層学習による降雨予報
- Authors: Jihoon Ko, Kyuhan Lee, Hyunjin Hwang and Kijung Shin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.672132394870445
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, many deep-learning techniques have been applied to various
weather-related prediction tasks, including precipitation nowcasting (i.e.,
predicting precipitation levels and locations in the near future). Most
existing deep-learning-based approaches for precipitation nowcasting, however,
consider only radar and/or satellite images as inputs, and meteorological
observations collected from ground weather stations, which are sparsely
located, are relatively unexplored. In this paper, we propose ASOC, a novel
attentive method for effectively exploiting ground-based meteorological
observations from multiple weather stations. ASOC is designed to capture
temporal dynamics of the observations and also contextual relationships between
them. ASOC is easily combined with existing image-based precipitation
nowcasting models without changing their architectures. We show that such a
combination improves the average critical success index (CSI) of predicting
heavy (at least 10 mm/hr) and light (at least 1 mm/hr) rainfall events at 1-6
hr lead times by 5.7%, compared to the original image-based model, using the
radar images and ground-based observations around South Korea collected from
2014 to 2020.
- Abstract(参考訳): 近年,降雨量予測(降雨量と場所の予測)など,さまざまな気象予測タスクにディープラーニング技術が適用されている。
しかし、現在の深層学習に基づく降水ノキャスティングの手法のほとんどは、レーダーや衛星画像のみを入力としており、地上の気象観測所から収集された気象観測は比較的未探査である。
本稿では,複数の気象観測所からの地上観測を効果的に活用するための新しい観測手法である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。
ASOCは、アーキテクチャを変更することなく、既存の画像ベースの降水モデルと簡単に組み合わせられる。
この組み合わせにより,2014年から2020年にかけての韓国周辺のレーダー画像と地上観測データを用いて,1~6時間リードタイムにおける重雨(少なくとも10mm/hr)と軽雨(少なくとも1mm/hr)の降雨を5.7%の精度で予測する平均臨界成功指数(CSI)が向上することを示す。
関連論文リスト
- Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。
40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。
ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文 参考訳(メタデータ) (2024-06-19T10:28:11Z) - 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) - 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) - 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) - 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) - Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。
これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。
衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
論文 参考訳(メタデータ) (2021-10-02T00:43:02Z) - 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) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。