論文の概要: Thunderstorm nowcasting with deep learning: a multi-hazard data fusion model

• arxiv url: http://arxiv.org/abs/2211.01001v1
• Date: Wed, 2 Nov 2022 10:02:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:40:07.671794
• Title: Thunderstorm nowcasting with deep learning: a multi-hazard data fusion model
• Title（参考訳）: Thunderstormがディープラーニングによるマルチハザードデータ融合モデルを発表
• Authors: Jussi Leinonen, Ulrich Hamann, Ioannis V. Sideris, Urs Germann
• Abstract要約: さまざまなハザードタイプに適応可能なディープラーニングモデルを提案する。 我々は気象レーダー、雷検出、衛星可視・赤外線画像、数値気象予測、デジタル標高モデルからのデータを利用する。 我々は,1kmの解像度グリッド上で,雷雨,干ばつ,重降雨を確率的に予測するモデルの能力を実証した。
• 参考スコア（独自算出の注目度）: 1.9355744690301404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictions of thunderstorm-related hazards are needed in several sectors, including first responders, infrastructure management and aviation. To address this need, we present a deep learning model that can be adapted to different hazard types. The model can utilize multiple data sources; we use data from weather radar, lightning detection, satellite visible/infrared imagery, numerical weather prediction and digital elevation models. It can be trained to operate with any combination of these sources, such that predictions can still be provided if one or more of the sources become unavailable. We demonstrate the ability of the model to predict lightning, hail and heavy precipitation probabilistically on a 1 km resolution grid, with a time resolution of 5 min and lead times up to 60 min. Shapley values quantify the importance of the different data sources, showing that the weather radar products are the most important predictors for all three hazard types.
• Abstract（参考訳）: 雷雨に関連する危険の予測は、最初の対応者、インフラ管理、航空などいくつかの分野において必要である。 このニーズに対処するために,我々は,さまざまなハザードタイプに適応可能なディープラーニングモデルを提案する。 このモデルは,気象レーダー,雷検出,衛星可視・赤外線画像,数値気象予測,デジタル標高モデルなど,複数のデータソースを利用することができる。 これらのソースの任意の組み合わせで運用するようにトレーニングできるため、ひとつ以上のソースが利用できない場合にも予測が提供できる。 我々は,1kmの格子上に,5分間の時間分解能と最大60分間のリード時間で,雷雨,干ばつ,重降雨を確率的に予測できることを実証した。 シェープの値は、異なるデータソースの重要性を定量化し、気象レーダー製品が3つの危険タイプすべてにとって最も重要な予測因子であることを示している。

関連論文リスト

• WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
  干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。 このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。 我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T05:23:18Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)
• Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
  未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。 このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。 予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
  論文  参考訳（メタデータ） (2022-03-15T12:54:17Z)
• 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)
• Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
  本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。 モデルの精度は、現在の最先端技術と併用するのに十分である。
  論文  参考訳（メタデータ） (2020-08-25T02:41:32Z)

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。