論文の概要: TempEE: Temporal-Spatial Parallel Transformer for Radar Echo Extrapolation Beyond Auto-Regression

• arxiv url: http://arxiv.org/abs/2304.14131v1
• Date: Thu, 27 Apr 2023 12:26:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 13:28:22.884321
• Title: TempEE: Temporal-Spatial Parallel Transformer for Radar Echo Extrapolation Beyond Auto-Regression
• Title（参考訳）: tempee: 自己回帰を超えたレーダーエコー推定のための時空間並列トランス
• Authors: Shengchao Chen, Ting Shu, Huan Zhao, Guo Zhong and Xunlai Chen
• Abstract要約: 本稿では,時空間相関特性とトランスフォーマー技術を利用した新しいレーダエコー外挿アルゴリズムを提案する。 提案アルゴリズムは、トランスフォーマー技術に基づく新しい並列エンコーダを用いて、エコーの時間空間的特徴を効果的かつ自動的に抽出する。 この手法の有効性は、実世界のデータセットを用いた古典的なレーダエコー外挿作業において検証されている。
• 参考スコア（独自算出の注目度）: 12.594033620063211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The meteorological radar reflectivity data, also known as echo, plays a crucial role in predicting precipitation and enabling accurate and fast forecasting of short-term heavy rainfall without the need for complex Numerical Weather Prediction (NWP) model. Compared to conventional model, Deep Learning (DL)-based radar echo extrapolation algorithms are more effective and efficient. However, the development of highly reliable and generalized algorithms is hindered by three main bottlenecks: cumulative error spreading, imprecise representation of sparse echo distribution, and inaccurate description of non-stationary motion process. To address these issues, this paper presents a novel radar echo extrapolation algorithm that utilizes temporal-spatial correlation features and the Transformer technology. The algorithm extracts features from multi-frame echo images that accurately represent non-stationary motion processes for precipitation prediction. The proposed algorithm uses a novel parallel encoder based on Transformer technology to effectively and automatically extract echoes' temporal-spatial features. Furthermore, a Multi-level Temporal-Spatial attention mechanism is adopted to enhance the ability to perceive global-local information and highlight the task-related feature regions in a lightweight way. The proposed method's effectiveness has been valided on the classic radar echo extrapolation task using the real-world dataset. Numerous experiments have further demonstrated the effectiveness and necessity of various components of the proposed method.
• Abstract（参考訳）: 気象レーダー反射率データ(エコー)は降水予測において重要な役割を担い、複雑な数値気象予測(NWP)モデルを必要としない短期豪雨の正確かつ迅速な予測を可能にする。 従来のモデルと比較して、ディープラーニング(DL)ベースのレーダエコー外挿アルゴリズムの方が効率的で効率的である。 しかし、高信頼で一般化されたアルゴリズムの開発は、累積誤差拡散、疎エコー分布の不正確な表現、非定常運動過程の不正確な記述という3つの主なボトルネックによって妨げられている。 これらの問題に対処するために,時空間相関機能とトランスフォーマー技術を利用した新しいレーダエコー外挿アルゴリズムを提案する。 このアルゴリズムは降水予測のために非定常運動過程を正確に表現した多フレームエコー画像から特徴を抽出する。 提案手法はトランスフォーマー技術に基づく新しい並列エンコーダを用いて,エコーの時間空間的特徴を有効かつ自動的に抽出する。 さらに、グローバルなローカル情報を知覚し、タスク関連特徴領域を軽量に強調する能力を高めるために、マルチレベル時空間アテンション機構を採用した。 提案手法の有効性は,実世界のデータセットを用いた古典的なレーダエコー推定タスクで検証されている。 提案手法の各種成分の有効性と必要性を実証する実験が数多く行われている。

関連論文リスト

• Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
  天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。 波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。 気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-09T05:41:24Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling Transformer for Radar Echo Extrapolation [15.56594998349013]
  レーダエコーの空間形態と時間的進化はある程度の相関関係を示すが、それらは独立性を持っている。 レーダエコーのダイナミックスを効果的にモデル化するために,時空間相関分離変換器(SFTformer)を提案する。 HKO-7 と ChinaNorth-2021 データセットの実験結果から,SFTfomer の短時間 (1h), 中期 (2h), 長期 (3h) 降水量に優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-28T04:43:41Z)
• Real-time Inference and Extrapolation via a Diffusion-inspired Temporal Transformer Operator (DiTTO) [1.5728609542259502]
  本稿では,時間依存偏微分方程式(PDE)を時間的離散化を伴わずに時間外挿で連続的に解く演算子学習法を提案する。 Diffusion-inspired Temporal Transformer Operator (DiTTO) と呼ばれる提案手法は,遅延拡散モデルとその条件付け機構に着想を得たものである。 我々は,地球上の温度を数年間推定し,気候問題に対する外挿能力を示すとともに,二重円錐周りの超音速流れをモデル化する。
  論文  参考訳（メタデータ） (2023-07-18T08:45:54Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Prediction of severe thunderstorm events with ensemble deep learning and radar data [0.0]
  本稿では,激しい雷雨の予報をタイムリーに鳴らすことができる警報装置を実現するためのディープラーニング手法について述べる。 この警報装置はイタリアのリグリア地方で記録された気象レーダーデータに対して検証されている。
  論文  参考訳（メタデータ） (2021-09-20T18:43:13Z)
• 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)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。