論文の概要: Evaluation of drain, a deep-learning approach to rain retrieval from gpm
passive microwave radiometer
- arxiv url: http://arxiv.org/abs/2303.01220v1
- Date: Thu, 2 Mar 2023 13:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 14:40:48.775441
- Title: Evaluation of drain, a deep-learning approach to rain retrieval from gpm
passive microwave radiometer
- Title(参考訳): gpmパッシブマイクロ波ラジオメータからの降雨の深層学習手法ドレインの評価
- Authors: Nicolas Viltard, Vibolroth Sambath, Pierre Lepetit, Audrey Martini,
Laurent Barth\`es, C\'ecile Mallet
- Abstract要約: 受動マイクロ波放射計のデータによる雨の回収は、70年代後半に最初の防衛気象衛星計画が開始されて以来、課題となっている。
深層学習はコンピュータビジョンの分野で著しく改善され、雨の回収問題に対処するための全く新しい方法を提供している。
U-netがこれらのデータに基づいてトレーニングされ、検索アルゴリズムが開発される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval of rain from Passive Microwave radiometers data has been a
challenge ever since the launch of the first Defense Meteorological Satellite
Program in the late 70s. Enormous progress has been made since the launch of
the Tropical Rainfall Measuring Mission (TRMM) in 1997 but until recently the
data were processed pixel-by-pixel or taking a few neighboring pixels into
account. Deep learning has obtained remarkable improvement in the computer
vision field, and offers a whole new way to tackle the rain retrieval problem.
The Global Precipitation Measurement (GPM) Core satellite carries similarly to
TRMM, a passive microwave radiometer and a radar that share part of their
swath. The brightness temperatures measured in the 37 and 89 GHz channels are
used like the RGB components of a regular image while rain rate from Dual
Frequency radar provides the surface rain. A U-net is then trained on these
data to develop a retrieval algorithm: Deep-learning RAIN (DRAIN). With only
four brightness temperatures as an input and no other a priori information,
DRAIN is offering similar or slightly better performances than GPROF, the GPM
official algorithm, in most situations. These performances are assumed to be
due to the fact that DRAIN works on an image basis instead of the classical
pixel-by-pixel basis.
- Abstract(参考訳): 受動マイクロ波放射計のデータによる雨の回収は、70年代後半に最初の防衛気象衛星計画が開始されて以来、課題となっている。
1997年の熱帯降雨測定ミッション(TRMM)の立ち上げ以来、多くの進歩があったが、最近までデータはピクセル単位で処理され、近隣のいくつかのピクセルを考慮に入れていた。
深層学習はコンピュータビジョンの分野で著しく改善され、雨の検索問題に取り組むための全く新しい方法を提供している。
GPM(Global Precipitation Measurement)コア衛星は、TRMM、受動マイクロ波放射計、レーダーなどと同様に、誓いの一部を共有している。
37 と 89 GHz のチャネルで測定された明るさ温度は、通常の画像の RGB 成分のように使用されるが、デュアル周波数レーダからの降雨速度は表面の雨をもたらす。
次に、これらのデータに基づいてU-netをトレーニングして、Deep-learning RAIN(DRAIN)という検索アルゴリズムを開発する。
入力として4つの明るさ温度しか持たず、事前情報がないため、ほとんどの場合、DRAINはGPROF(GPM公式アルゴリズム)よりも類似または若干優れた性能を提供している。
これらのパフォーマンスは、dremeが従来のピクセル単位ではなくイメージベースで動作していることによるものだと仮定されている。
関連論文リスト
- RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳(メタデータ) (2025-02-18T17:17:38Z) - A conditional Generative Adversarial network model for the Weather4Cast 2024 Challenge [0.0]
本研究では, 深層学習の降雨予測への応用について検討し, スピニング強化可視・赤外画像装置(SEVIRI)を用いて検討した。
我々は4つの赤外線周波数チャネルの平均を入力として、高密度光流アルゴリズムを用いて4時間後に放射像を予測する。
予測放射画像を4時間の予測期間に集約した降雨画像に変換し、累積降雨値を生成するために、条件付き生成逆ネットワーク(GAN)モデルを用いる。
論文 参考訳(メタデータ) (2024-11-30T11:56:20Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳(メタデータ) (2024-05-07T20:44:48Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳(メタデータ) (2023-08-31T16:26:17Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳(メタデータ) (2023-07-31T09:53:50Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - A Deep Learning Architecture for Passive Microwave Precipitation
Retrievals using CloudSat and GPM Data [0.0]
本稿では,降雨のマイクロ波を受動的に検索するために,一連の高密度ニューラルネットワークと深層ニューラルネットワークを利用するアルゴリズムを提案する。
ニューラルネットワークは、GPM (Global Precipitation Measurement) Microwave Imager (GMI) から輝度温度の一致から学習する
アルゴリズムはまず降水の発生とフェーズを検出し、その結果をいくつかの重要な補助情報に条件付けながらその速度を推定する。
論文 参考訳(メタデータ) (2022-12-02T18:25:42Z) - 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) - TCR-GAN: Predicting tropical cyclone passive microwave rainfall using
infrared imagery via generative adversarial networks [11.34283731463713]
本研究では、熱帯サイクロン(TC)の衛星赤外(IR)画像から受動マイクロ波雨量(PMR)を直接予測することにより、この問題の解決を試みる。
我々は, 赤外線画像をPMRに変換するGAN(Generative Adversarial Network)を開発し, TCクラウドトップの明るい温度とPMRのマッピング関係を確立する。
実験の結果,IRから重要な特徴を効果的に抽出できることが示唆された。
論文 参考訳(メタデータ) (2022-01-14T08:22:16Z) - 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) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳(メタデータ) (2020-09-30T19:01:33Z)
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。