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

• arxiv url: http://arxiv.org/abs/2304.14131v2
• Date: Thu, 14 Sep 2023 04:38:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 18:59:12.060195
• 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,TempEEと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。 自動回帰の使用を回避し、累積誤差の拡散を防ぐために1ステップの前進戦略を採用する。 広範囲な実験により、TempEE内の様々な成分の有効性と不必要性が検証された。
• 参考スコア（独自算出の注目度）: 18.456518902538814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meteorological radar reflectivity data (i.e. radar echo) significantly influences precipitation prediction. It can facilitate accurate and expeditious forecasting of short-term heavy rainfall bypassing the need for complex Numerical Weather Prediction (NWP) models. In comparison to conventional models, Deep Learning (DL)-based radar echo extrapolation algorithms exhibit higher effectiveness and efficiency. Nevertheless, the development of reliable and generalized echo extrapolation algorithm is impeded by three primary challenges: cumulative error spreading, imprecise representation of sparsely distributed echoes, and inaccurate description of non-stationary motion processes. To tackle these challenges, this paper proposes a novel radar echo extrapolation algorithm called Temporal-Spatial Parallel Transformer, referred to as TempEE. TempEE avoids using auto-regression and instead employs a one-step forward strategy to prevent cumulative error spreading during the extrapolation process. Additionally, we propose the incorporation of a Multi-level Temporal-Spatial Attention mechanism to improve the algorithm's capability of capturing both global and local information while emphasizing task-related regions, including sparse echo representations, in an efficient manner. Furthermore, the algorithm extracts spatio-temporal representations from continuous echo images using a parallel encoder to model the non-stationary motion process for echo extrapolation. The superiority of our TempEE has been demonstrated in the context of the classic radar echo extrapolation task, utilizing a real-world dataset. Extensive experiments have further validated the efficacy and indispensability of various components within TempEE.
• Abstract（参考訳）: 気象レーダー反射率データ(レーダーエコー)は降水予測に大きな影響を及ぼす。 複雑な数値気象予測(NWP)モデルの必要性を回避して、短期豪雨の正確かつ迅速な予測を容易にする。 従来のモデルと比較して、Deep Learning (DL)ベースのレーダエコー外挿アルゴリズムは、高い効率と効率を示す。 それでも、信頼性と一般化されたエコー外挿アルゴリズムの開発は、累積誤差拡散、スパース分布エコーの不正確表現、非定常運動過程の不正確な記述の3つの主要な課題によって妨げられている。 このような課題に対処するために,TempEEと呼ばれるテンポラル空間並列トランスと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。 TempEEは自動回帰(auto-regression)の使用を回避し、外挿プロセス中に累積誤差が拡散するのを防ぐために1ステップの前進戦略を採用する。 さらに,スパースエコー表現を含むタスク関連領域を効率よく強調しながら,グローバル情報とローカル情報の両方を捕捉するアルゴリズムの能力を向上させるため,マルチレベル時間空間アテンション機構の導入を提案する。 さらに、並列エンコーダを用いて連続エコー画像から時空間表現を抽出し、エコー外挿のための非定常運動過程をモデル化する。 TempEEの優位性は、現実のデータセットを利用して古典的なレーダエコー補間タスクの文脈で実証されてきた。 広範囲にわたる実験により、TempEE内の様々な成分の有効性と不必要性がさらに検証された。

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。