論文の概要: WeatherFusionNet: Predicting Precipitation from Satellite Data

• arxiv url: http://arxiv.org/abs/2211.16824v1
• Date: Wed, 30 Nov 2022 08:49:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 16:02:35.595480
• Title: WeatherFusionNet: Predicting Precipitation from Satellite Data
• Title（参考訳）: WeatherFusionNet:衛星データによる降水予測
• Authors: Ji\v{r}\'i Pihrt, Rudolf Raevskiy, Petr \v{S}im\'anek, Matej Choma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The short-term prediction of precipitation is critical in many areas of life. Recently, a large body of work was devoted to forecasting radar reflectivity images. The radar images are available only in areas with ground weather radars. Thus, we aim to predict high-resolution precipitation from lower-resolution satellite radiance images. A neural network called WeatherFusionNet is employed to predict severe rain up to eight hours in advance. WeatherFusionNet is a U-Net architecture that fuses three different ways to process the satellite data; predicting future satellite frames, extracting rain information from the current frames, and using the input sequence directly. Using the presented method, we achieved 1st place in the NeurIPS 2022 Weather4Cast Core challenge. The code and trained parameters are available at \url{https://github.com/Datalab-FIT-CTU/weather4cast-2022}.
• Abstract（参考訳）: 降水の短期予測は生命の多くの領域で重要である。 近年,レーダー反射率画像の予測に多くの研究が費やされている。 レーダー画像は、地上の気象レーダーのある地域でのみ利用可能である。 そこで我々は,低解像度衛星放射画像から高分解能降水を予測することを目的とした。 weatherfusionnetと呼ばれるニューラルネットワークを使用して、8時間前の激しい雨を予測する。 WeatherFusionNetは3つの異なる方法で衛星データを処理し、将来の衛星フレームを予測し、現在のフレームから雨情報を抽出し、入力シーケンスを直接使用するU-Netアーキテクチャである。 提案手法を用いて,NeurIPS 2022 Weather4Cast Core チャレンジで1位を獲得した。 コードとトレーニングされたパラメータは、 \url{https://github.com/Datalab-FIT-CTU/weather4cast-2022} で入手できる。

関連論文リスト

• 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)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• 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)
• RainUNet for Super-Resolution Rain Movie Prediction under Spatio-temporal Shifts [22.972610820962625]
  本稿では、Weather4cast 2022 Challenge Stage 2に対する解決策を提案する。 この課題の目標は、地上レーダーから得られる将来の高解像度降雨事象を予測することである。 本稿では,課題に適したデータ前処理を行い,新しいRainUNetを用いて降雨映画を予測する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-07T23:42:39Z)
• 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)
• Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion [5.125401106179782]
  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。
  論文  参考訳（メタデータ） (2022-09-19T16:00:17Z)
• TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
  トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。 実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-11-29T18:57:09Z)
• 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)
• 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)

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。