論文の概要: EfficientTempNet: Temporal Super-Resolution of Radar Rainfall
- arxiv url: http://arxiv.org/abs/2303.05552v1
- Date: Thu, 9 Mar 2023 19:19:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 16:53:15.380512
- Title: EfficientTempNet: Temporal Super-Resolution of Radar Rainfall
- Title(参考訳): efficienttempnet: レーダーによる降雨の時間的超解像
- Authors: Bekir Z Demiray, Muhammed Sit and Ibrahim Demir
- Abstract要約: 本研究は、より正確な気候変動モデルと研究を支援するため、レーダ降雨物の時間分解能を向上させることを目的とする。
EfficientNetV2、すなわちEfficientTempNetに基づくソリューションを導入し、レーダーによる降雨量の時間分解能を10分から5分に向上させる。
我々はアイオワ州のデータセット上でEfficientRainNetをテストし、そのパフォーマンスを3つの異なるベースラインと比較して、EfficientTempNetがより良い気候変動監視のための実行可能な選択肢であることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rainfall data collected by various remote sensing instruments such as radars
or satellites has different space-time resolutions. This study aims to improve
the temporal resolution of radar rainfall products to help with more accurate
climate change modeling and studies. In this direction, we introduce a solution
based on EfficientNetV2, namely EfficientTempNet, to increase the temporal
resolution of radar-based rainfall products from 10 minutes to 5 minutes. We
tested EfficientRainNet over a dataset for the state of Iowa, US, and compared
its performance to three different baselines to show that EfficientTempNet
presents a viable option for better climate change monitoring.
- Abstract(参考訳): レーダーや衛星などの様々なリモートセンシング機器によって収集された降雨データは、時空の解像度が異なる。
本研究は、より正確な気候変動モデルと研究を支援するため、レーダ降雨物の時間分解能を向上させることを目的とする。
本稿では,レーダーによる降雨量の時間分解能を10分から5分に向上させるため,EfficientNetV2,すなわちEfficientTempNetに基づくソリューションを提案する。
我々はアイオワ州のデータセット上でEfficientRainNetをテストし、そのパフォーマンスを3つの異なるベースラインと比較して、EfficientTempNetがより良い気候変動監視のための実行可能な選択肢であることを示した。
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) - Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust
3D Object Detection [26.278415287992964]
従来の研究では、雨からの騒音をシミュレートし、検出モデルの堅牢性を改善することで、この問題に対処しようと試みてきた。
本研究では,動的・降雨環境理論を統一した新しい降雨シミュレーション手法DRETを提案する。
また,降雨条件下での3次元検出を強化するために,サニー・ツー・レイニー知識蒸留法を提案する。
論文 参考訳(メタデータ) (2024-02-28T17:21:02Z) - 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) - WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。
我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。
WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文 参考訳(メタデータ) (2023-02-08T14:50:52Z) - 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) - Rain regime segmentation of Sentinel-1 observation learning from NEXRAD
collocations with Convolution Neural Networks [0.16067645574373132]
NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。
本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。
我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
論文 参考訳(メタデータ) (2022-07-15T08:05:41Z) - CNN-based Temporal Super Resolution of Radar Rainfall Products [0.0]
我々は,比較的低解像度の製品を補うために,時間分解能を上げて降雨データを増大させるアプローチを開発した。
本研究では,レーダーによる降雨生成物の時間分解能を改善するために,畳み込みニューラルネットワーク(CNN)に基づくニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-20T03:58:52Z) - 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) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳(メタデータ) (2020-10-02T00:13:00Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z)
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。