Fugu-MT 論文翻訳(概要): IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input learned from sparse supervision

論文の概要: IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input learned from sparse supervision

arxiv url: http://arxiv.org/abs/2310.03499v1
Date: Thu, 5 Oct 2023 12:24:25 GMT
ステータス: 処理完了
システム内更新日: 2023-10-06 16:25:45.370854
Title: IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input learned from sparse supervision
Title（参考訳）: IceCloudNet: スパース監視から学んだSEVIRI入力からの円周および混合相雲予測
Authors: Kai Jeggle, Mikolaj Czerkawski, Federico Serva, Bertrand Le Saux, David Neubauer, and Ulrike Lohmann
Abstract要約: 氷粒子は気候システムにおいて重要な役割を担っているが、気候モデルや将来の気候予測において大きな不確実性の原因となっている。本研究では,静止衛星観測装置における状態依存型氷物理特性の新たな観測制約と,アクティブ衛星検索の品質について述べる。
参考スコア（独自算出の注目度）: 26.970640961908032
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Clouds containing ice particles play a crucial role in the climate system. Yet they remain a source of great uncertainty in climate models and future climate projections. In this work, we create a new observational constraint of regime-dependent ice microphysical properties at the spatio-temporal coverage of geostationary satellite instruments and the quality of active satellite retrievals. We achieve this by training a convolutional neural network on three years of SEVIRI and DARDAR data sets. This work will enable novel research to improve ice cloud process understanding and hence, reduce uncertainties in a changing climate and help assess geoengineering methods for cirrus clouds.
Abstract（参考訳）: 氷粒子を含む雲は、気候システムにおいて重要な役割を果たす。しかし、気候モデルや将来の気候予測に大きな不確実性の原因となっている。本研究では,静止衛星機器の時空間カバレッジと能動衛星検索の質において,レジーム依存の氷微物理特性の観測的制約を新たに作成する。我々は、SEVIRIとDARDARデータセットの3年間にわたる畳み込みニューラルネットワークのトレーニングにより、これを実現する。この研究により、新しい研究により、氷雲のプロセス理解が改善され、気候変動における不確実性が減少し、キュロス雲のジオエンジニアリング手法を評価するのに役立つ。

関連論文リスト

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
The Importance of Architecture Choice in Deep Learning for Climate Applications [0.5439020425819]
我々は,ヨーロッパや米国東海岸の気候において重要な気候であるアトランティック・メリディショナル・オーバーターン循環(AMOC)をモデル化する。任意の時間スケールで任意に極端な気候シナリオを生成し、ニューラルネットワークを使って予測します。定量化の不確実性により、AMOCの崩壊の臨界点前にある「スパイク」の興味深いパターンは、今世紀中にAMOCの崩壊を予測した以前の分析に疑問を投げかけている。
論文参考訳（メタデータ） (2024-02-21T18:09:04Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph Neural Networks [0.38073142980732994]
積雪予測に適応的かつ反復的なグラフ畳み込みネットワークを用いた機械学習モデルを提案する。我々は,従来のモデルと同等の非時間的,非幾何学的,非適応的モデルよりも,より優れた一貫性を持つモデルを見出した。
論文参考訳（メタデータ） (2023-06-22T19:59:54Z)
HAiVA: Hybrid AI-assisted Visual Analysis Framework to Study the Effects of Cloud Properties on Climate Patterns [4.716196892532721]
マリン・クラウド・ブライトニング(Marine Cloud Brightening、MCB)は、雲の反射率の修正であり、周囲の領域を冷却する。そこで我々は,このような科学的研究を推進するために,ハイブリッドAI支援視覚分析フレームワークを提案する。気候科学者のチームと協力して、クラウド-気候応答関数をエミュレートするハイブリッドAIモデルを開発しました。
論文参考訳（メタデータ） (2023-05-13T07:55:47Z)
Recurrent Graph Convolutional Networks for Spatiotemporal Prediction of Snow Accumulation Using Airborne Radar [0.38073142980732994]
本研究では,近年の積雪量予測のために,連続的なグラフ畳み込みネットワークに基づく機械学習モデルを提案する。その結果、同値な非幾何学的モデルや非時間的モデルよりも、モデルの性能が良く、一貫性も高いことが判明した。
論文参考訳（メタデータ） (2023-02-02T01:40:48Z)
Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文参考訳（メタデータ） (2022-11-20T06:46:35Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
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)
Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。気候変動は、氷河生態系の健康に依存している個人にリスクを与える。本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文参考訳（メタデータ） (2020-12-09T12:48:06Z)
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)

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。