論文の概要: Super-resolution Probabilistic Rain Prediction from Satellite Data Using
3D U-Nets and EarthFormers
- arxiv url: http://arxiv.org/abs/2212.02998v1
- Date: Tue, 6 Dec 2022 14:15:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 15:47:31.011284
- Title: Super-resolution Probabilistic Rain Prediction from Satellite Data Using
3D U-Nets and EarthFormers
- Title（参考訳）: 3次元u-netとアースフォーマーを用いた衛星データによる超解像確率的降雨予測
- Authors: Yang Li, Haiyu Dong, Zuliang Fang, Jonathan Weyn, Pete Luferenko
- Abstract要約: 本稿では,3D U-Nets と EarthFormers を用いて,Weather4cast 2022 NeurIPS コンペで2位を獲得したソリューションを提案する。
入力衛星画像の空間的文脈効果は深く調べられ、最適な文脈範囲が見つかった。
その結果、雲頂位相 (8.7 m) と雲頂高さ (10.8 と 13.4 m) を表わす衛星帯が、降雨予測に最適であることが示された。
- 参考スコア（独自算出の注目度）: 3.672208741935232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and timely rain prediction is crucial for decision making and is
also a challenging task. This paper presents a solution which won the 2 nd
prize in the Weather4cast 2022 NeurIPS competition using 3D U-Nets and
EarthFormers for 8-hour probabilistic rain prediction based on multi-band
satellite images. The spatial context effect of the input satellite image has
been deeply explored and optimal context range has been found. Based on the
imbalanced rain distribution, we trained multiple models with different loss
functions. To further improve the model performance, multi-model ensemble and
threshold optimization were used to produce the final probabilistic rain
prediction. Experiment results and leaderboard scores demonstrate that optimal
spatial context, combined loss function, multi-model ensemble, and threshold
optimization all provide modest model gain. A permutation test was used to
analyze the effect of each satellite band on rain prediction, and results show
that satellite bands signifying cloudtop phase (8.7 um) and cloud-top height
(10.8 and 13.4 um) are the best predictors for rain prediction. The source code
is available at https://github.com/bugsuse/weather4cast-2022-stage2.
- Abstract（参考訳）: 正確でタイムリーな雨予報は意思決定に不可欠であり、また課題でもある。
本論文では,マルチバンド衛星画像に基づく8時間の確率的降雨予測のための3D U-Nets と EarthFormers を用いて,Weather4cast 2022 NeurIPS コンペで第2位を獲得したソリューションを提案する。
入力衛星画像の空間的コンテキスト効果は深く検討され、最適なコンテキスト範囲が発見されている。
不均衡な降雨分布に基づいて,損失関数の異なる複数のモデルを訓練した。
モデル性能をさらに向上するため,最終確率的降雨予測にはマルチモデルアンサンブルとしきい値最適化が用いられた。
その結果, 最適空間コンテキスト, 複合損失関数, マルチモデルアンサンブル, しきい値最適化が, いずれもモデストモデルゲインを提供することを示した。
降雨予測に対する各衛星帯の影響を分析するために置換試験を行い,降雨予測には雲上相 (8.7 um) と雲上高 (10.8 um, 13.4 um) の衛星帯が最適であることを示した。
ソースコードはhttps://github.com/bugsuse/weather4cast-2022-stage2で入手できる。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。
また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文 参考訳（メタデータ） (2024-01-27T05:53:16Z) - RainAI -- Precipitation Nowcasting from Satellite Data [5.869633234882028]
本稿では,Weather4 2023コンペティションに対する解決策を提案する。
目標は、低解像度の衛星放射率画像を用いて8時間のリードタイムで高解像度の降水を予測することである。
本稿では,2次元U-Netモデルを用いた簡易かつ効果的な特徴学習法を提案する。
論文 参考訳（メタデータ） (2023-11-30T09:49:16Z) - 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) - 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) - 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) - 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) - 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) - 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) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z)
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。