論文の概要: Using Unsupervised and Supervised Learning and Digital Twin for Deep Convective Ice Storm Classification

• arxiv url: http://arxiv.org/abs/2309.07173v1
• Date: Tue, 12 Sep 2023 19:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 17:27:33.476198
• Title: Using Unsupervised and Supervised Learning and Digital Twin for Deep Convective Ice Storm Classification
• Title（参考訳）: 深層対流氷嵐分類における教師なし・教師なし学習とデジタル双生児の利用
• Authors: Jason Swope, Steve Chien, Emily Dunkel, Xavier Bosch-Lluis, Qing Yue and William Deal
• Abstract要約: スマートアイスクラウドセンシング(Smart Ice Cloud Sensing、SMICES)は、小型の衛星で、主レーダーが頭頂放射計によって収集された情報に基づいて、知的に氷嵐を標的とするコンセプトである。 インテリジェントターゲティングに欠かせないのは、放射計によって収集された8つの放射帯から嵐/雲のタイプを正確に識別することである。 地球の大気の機械学習とデジタルツインの多段階的利用について述べる。
• 参考スコア（独自算出の注目度）: 2.9531481389180665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart Ice Cloud Sensing (SMICES) is a small-sat concept in which a primary radar intelligently targets ice storms based on information collected by a lookahead radiometer. Critical to the intelligent targeting is accurate identification of storm/cloud types from eight bands of radiance collected by the radiometer. The cloud types of interest are: clear sky, thin cirrus, cirrus, rainy anvil, and convection core. We describe multi-step use of Machine Learning and Digital Twin of the Earth's atmosphere to derive such a classifier. First, a digital twin of Earth's atmosphere called a Weather Research Forecast (WRF) is used generate simulated lookahead radiometer data as well as deeper "science" hidden variables. The datasets simulate a tropical region over the Caribbean and a non-tropical region over the Atlantic coast of the United States. A K-means clustering over the scientific hidden variables was utilized by human experts to generate an automatic labelling of the data - mapping each physical data point to cloud types by scientists informed by mean/centroids of hidden variables of the clusters. Next, classifiers were trained with the inputs of the simulated radiometer data and its corresponding label. The classifiers of a random decision forest (RDF), support vector machine (SVM), Gaussian na\"ive bayes, feed forward artificial neural network (ANN), and a convolutional neural network (CNN) were trained. Over the tropical dataset, the best performing classifier was able to identify non-storm and storm clouds with over 80% accuracy in each class for a held-out test set. Over the non-tropical dataset, the best performing classifier was able to classify non-storm clouds with over 90% accuracy and storm clouds with over 40% accuracy. Additionally both sets of classifiers were shown to be resilient to instrument noise.
• Abstract（参考訳）: スマートアイスクラウドセンシング(Smart Ice Cloud Sensing、SMICES)は、小型の衛星で、主レーダーが頭頂放射計によって収集された情報に基づいて、知的に氷嵐を標的とするコンセプトである。 インテリジェントターゲティングには、放射計が収集した8バンドの放射能からストーム/クラウドタイプを正確に識別することが重要である。 雲のタイプは、晴れた空、薄いシラス、シラス、雨天のアンビル、対流コアである。 本稿では、このような分類器を導出するために、機械学習と地球の大気のデジタル双生児の多段階利用について述べる。 まず、気象研究予測(WRF)と呼ばれる地球の大気のデジタル双対が、シミュレーションされた頭頂放射計データとより深い「科学」隠れ変数を生成する。 データセットはカリブ海の熱帯地域とアメリカ合衆国の大西洋岸の非熱帯地域をシミュレートする。 科学者がクラスタの隠れた変数の平均/中心値から情報を得たことにより、各物理データポイントをクラウドタイプにマッピングする、データの自動ラベリングを生成するために、k-meansクラスタリングが人間の専門家によって利用された。 次に、シミュレートされた放射計データとその対応するラベルの入力で分類器を訓練した。 ランダム決定フォレスト(rdf)、サポートベクターマシン(svm)、ガウスのna\"ive bayes、フィードフォワードニューラルネットワーク(ann)、畳み込みニューラルネットワーク(cnn)の分類器を訓練した。 熱帯のデータセット上では、最も優れた性能の分類器は、ホールドアウトテストセットの各クラスで80%以上の精度で、非嵐雲と嵐雲を識別することができた。 非トロピカルデータセットにおいて、最もパフォーマンスの高い分類器は、90%以上の精度で非ストーム雲、40%以上の精度でストーム雲を分類することができた。 さらに、両方の分類器は計器ノイズに対して弾力性があることが示されている。

関連論文リスト

• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• CloudSense: A Model for Cloud Type Identification using Machine Learning from Radar data [1.4843690728082002]
  本研究では,インド西部の複雑な地形上の降雨雲のタイプを,機械学習を用いて正確に同定するCloudSenseという新しいモデルを提案する。 CloudSenseは2018年7月から8月にかけて、Xバンドレーダーから収集された垂直反射率プロファイルを使用して、雲を成層型、混合層状対流型、対流型、浅層雲の4つのカテゴリに分類する。 以上の結果から,WGの複雑な地形における降水量推定を改善する上で有用な,より正確な雲の検出と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-08T21:12:33Z)
• 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)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Insight into cloud processes from unsupervised classification with a rotationally invariant autoencoder [10.739352302280667]
  現在の雲分類スキームは1ピクセルの雲の性質に基づいており、空間構造やテクスチャを考慮できない。 コンピュータビジョンの最近の進歩は、人間の事前に定義されたラベルを使わずに、画像の異なるパターンをグループ化することを可能にする。 新たなAI駆動型クラウド分類アトラス(AICCA)の生成にこのような手法を用いることについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T04:08:32Z)
• AICCA: AI-driven Cloud Classification Atlas [0.0]
  本研究は, 衛星雲観測の次元性を, 自動化された非教師なしの雲分類技術を用いてグループ化することによって低減する。 このアプローチを使用して、AI駆動型クラウド分類アトラス(AICCA)という、ユニークな新しいクラウドデータセットを生成します。
  論文  参考訳（メタデータ） (2022-09-29T21:01:31Z)
• Wrapped Classifier with Dummy Teacher for training physics-based classifier at unlabeled radar data [0.0]
  2021年にEKBおよびMAGW ISTP SB RASのコヒーレント散乱レーダから受信した信号の自動分類法について述べる。 この手法はラベルのないデータセットに基づいて訓練され、クラスタ化結果を用いた最適な物理に基づく分類の訓練に基づいている。 その結果、分類ネットワークを訓練し、利用可能なデータの物理的視点から、よく解釈可能な11のクラスを見出した。
  論文  参考訳（メタデータ） (2022-01-15T02:13:58Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Classification and understanding of cloud structures via satellite images with EfficientUNet [0.0]
  CNN(Convolutional Neural Network)の新しいスケールアップバージョンを用いて,クラウド組織パターンの分類を行った。 ダイス係数は最終評価基準に使われており、カグル競技においてそれぞれ66.26%と66.02%のスコアを得た。
  論文  参考訳（メタデータ） (2020-09-27T19:50:05Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。