論文の概要: Machine Learning Estimation of Maximum Vertical Velocity from Radar
- arxiv url: http://arxiv.org/abs/2310.09392v2
- Date: Thu, 25 Jan 2024 22:22:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 17:48:11.842139
- Title: Machine Learning Estimation of Maximum Vertical Velocity from Radar
- Title（参考訳）: レーダーによる最大垂直速度の機械学習推定
- Authors: Randy J. Chase, Amy McGovern, Cameron Homeyer, Peter Marinescu, Corey
Potvin
- Abstract要約: ストームアップドラフトは、対流とそれに伴う深刻な気象の危険に固有の重要性にもかかわらず、運用上の予測では利用できないままである。
衛星画像からトップエリアをオーバーシュートするようなアップドラフトプロキシは、厳しい天候の危険性に結びついているが、全体のストームアップドラフトのごく一部にしか関係していない。
本研究では,3次元格子型レーダの反射率のみから,機械学習モデル,すなわちU-Netsが最大垂直速度とそのアレー範囲を巧みに取得できるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quantification of storm updrafts remains unavailable for operational
forecasting despite their inherent importance to convection and its associated
severe weather hazards. Updraft proxies, like overshooting top area from
satellite images, have been linked to severe weather hazards but only relate to
a limited portion of the total storm updraft. This study investigates if a
machine learning model, namely U-Nets, can skillfully retrieve maximum vertical
velocity and its areal extent from 3-dimensional gridded radar reflectivity
alone. The machine learning model is trained using simulated radar reflectivity
and vertical velocity from the National Severe Storm Laboratory's convection
permitting Warn on Forecast System (WoFS). A parametric regression technique
using the sinh-arcsinh-normal distribution is adapted to run with U-Nets,
allowing for both deterministic and probabilistic predictions of maximum
vertical velocity. The best models after hyperparameter search provided less
than 50% root mean squared error, a coefficient of determination greater than
0.65 and an intersection over union (IoU) of more than 0.45 on the independent
test set composed of WoFS data. Beyond the WoFS analysis, a case study was
conducted using real radar data and corresponding dual-Doppler analyses of
vertical velocity within a supercell. The U-Net consistently underestimates the
dual-Doppler updraft speed estimates by 50$\%$. Meanwhile, the area of the 5
and 10 m s^-1 updraft cores show an IoU of 0.25. While the above statistics are
not exceptional, the machine learning model enables quick distillation of 3D
radar data that is related to the maximum vertical velocity which could be
useful in assessing a storm's severe potential.
- Abstract（参考訳）: ストームアップドラフトの定量化は、対流に固有の重要性とそれに伴う深刻な気象災害にもかかわらず、運用上の予測には利用できないままである。
衛星画像からトップエリアをオーバーシューティングするようなアップドラフトプロキシは、深刻な気象災害に関係しているが、ストームアップドラフト全体の限られた部分にのみ関係している。
本研究では,3次元格子型レーダの反射率のみから,機械学習モデル,すなわちU-Netsが最大垂直速度とそのアレー範囲を巧みに取得できるかどうかを検討する。
機械学習モデルは、national severe storm laboratoryのconvection allown on forecast system (wofs) からシミュレートされたレーダー反射率と垂直速度を用いて訓練される。
sinh-arcsinh正規分布を用いたパラメトリック回帰手法は、U-Netsで実行するために適応され、最大垂直速度の決定論的および確率的予測が可能である。
ハイパーパラメータ探索後の最良のモデルでは、WoFSデータからなる独立テストセット上で50%以下のルート平均二乗誤差、0.65以上の決定係数、および0.45以上の結合(IoU)が与えられた。
wofs解析以外にも,実レーダデータとそれに対応するスーパーセル内の垂直速度のデュアルドップラー解析を用いてケーススタディを行った。
u-netは、dual-doppler updraftの速度推定を一貫して50$\%$で過小評価している。
一方、5と10m s^-1のアップドラフトコアの面積は0.25のIoUである。
上記の統計は例外ではないが、機械学習モデルは、嵐の深刻なポテンシャルを評価するのに役立つ最大垂直速度に関連する3dレーダーデータの迅速な蒸留を可能にする。
関連論文リスト
- VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。
我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。
GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2024-10-24T07:16:42Z) - Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。
我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
SALAMA 1Dは、中央ヨーロッパで雷観測を基礎として訓練されている。
論文 参考訳（メタデータ） (2024-09-30T08:40:28Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Reduction of rain-induced errors for wind speed estimation on SAR
observations using convolutional neural networks [0.16067645574373132]
降雨時の誤差を低減した風速推定器を訓練する。
その結果,SAR製品における降雨関連誤差を補正する深層学習モデルの能力が示された。
論文 参考訳（メタデータ） (2023-03-16T10:19:14Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - 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) - 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) - Probabilistic Rainfall Estimation from Automotive Lidar [1.0499611180329804]
本研究は,自動車のライダーポイント雲列から降雨率を推定する確率的階層ベイズモデルを提案する。
その結果,ディドロメータの測定解像度に匹敵する予測精度と,不確実性推定の健全性と有用性を示した。
論文 参考訳（メタデータ） (2021-04-23T08:35:54Z) - Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance
of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。
その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
論文 参考訳（メタデータ） (2020-11-12T19:07:32Z) - 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)
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。