論文の概要: Digital Typhoon: Long-term Satellite Image Dataset for the
Spatio-Temporal Modeling of Tropical Cyclones
- arxiv url: http://arxiv.org/abs/2311.02665v1
- Date: Sun, 5 Nov 2023 14:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:29:34.293916
- Title: Digital Typhoon: Long-term Satellite Image Dataset for the
Spatio-Temporal Modeling of Tropical Cyclones
- Title（参考訳）: ディジタル台風:熱帯サイクロンの時空間モデリングのための長期衛星画像データセット
- Authors: Asanobu Kitamoto and Jared Hwang and Bastien Vuillod and Lucas Gautier
and Yingtao Tian and Tarin Clanuwat
- Abstract要約: 本稿では,40年以上にわたる台風衛星画像データセットの公開について述べる。
長期的データに対する機械学習モデルのベンチマークを目的としている。
データセットはhttp://agora.nii.ac.jp/digital-typhoon/で公開されている。
- 参考スコア（独自算出の注目度）: 0.907599024697789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the official release of the Digital Typhoon dataset, the
longest typhoon satellite image dataset for 40+ years aimed at benchmarking
machine learning models for long-term spatio-temporal data. To build the
dataset, we developed a workflow to create an infrared typhoon-centered image
for cropping using Lambert azimuthal equal-area projection referring to the
best track data. We also address data quality issues such as inter-satellite
calibration to create a homogeneous dataset. To take advantage of the dataset,
we organized machine learning tasks by the types and targets of inference, with
other tasks for meteorological analysis, societal impact, and climate change.
The benchmarking results on the analysis, forecasting, and reanalysis for the
intensity suggest that the dataset is challenging for recent deep learning
models, due to many choices that affect the performance of various models. This
dataset reduces the barrier for machine learning researchers to meet
large-scale real-world events called tropical cyclones and develop machine
learning models that may contribute to advancing scientific knowledge on
tropical cyclones as well as solving societal and sustainability issues such as
disaster reduction and climate change. The dataset is publicly available at
http://agora.ex.nii.ac.jp/digital-typhoon/dataset/ and
https://github.com/kitamoto-lab/digital-typhoon/.
- Abstract（参考訳）: 本稿では,長期時空間データを対象とした機械学習モデルのベンチマークを目的とした,40年以上にわたる台風衛星画像データセットであるDigital Typhoonデータセットの公式リリースについて述べる。
このデータセットを構築するために,最良トラックデータを参照して,ランベルト・アジミュタール等領域投影を用いた赤外台風中心のクロッピング画像を作成するワークフローを開発した。
また、同種データセットを作成するために、衛星間キャリブレーションなどのデータ品質の問題にも対処する。
データセットを活用するために、推論のタイプとターゲットによる機械学習タスクと、気象分析、社会への影響、気候変動のための他のタスクを編成しました。
分析,予測,再解析の結果から,近年のディープラーニングモデルでは,さまざまなモデルのパフォーマンスに影響を与える選択肢が多いため,データセットが困難であることが示唆された。
このデータセットは、機械学習研究者が熱帯サイクロンと呼ばれる大規模な現実世界のイベントに遭遇する障壁を減らし、熱帯サイクロンに関する科学的知識の進歩に寄与し、災害の低減や気候変動といった社会的および持続可能性の問題を解決する機械学習モデルを開発する。
データセットはhttp://agora.ex.nii.ac.jp/digital-typhoon/dataset/とhttps://github.com/kitamoto-lab/digital-typhoon/で公開されている。
関連論文リスト
- Machine Learning for the Digital Typhoon Dataset: Extensions to Multiple Basins and New Developments in Representations and Tasks [0.30723404270319693]
本稿では,長期的データを対象とした機械学習モデルを対象として,40年以上にわたって最長の台風衛星画像データセットの新バージョンを提案する。
データセットV2に新たに追加されたのは、南半球の熱帯サイクロンデータである。
2つの半球からのデータを持つことで、盆地と半球間の地域差について、新たな研究をすることができる。
論文 参考訳（メタデータ） (2024-11-25T14:25:39Z) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-19T03:38:53Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - A Distributed Approach to Meteorological Predictions: Addressing Data
Imbalance in Precipitation Prediction Models through Federated Learning and
GANs [0.0]
気象データの分類は、気象現象をクラスに分類することで、微妙な分析と正確な予測を容易にする。
分類アルゴリズムは、データ不均衡のような課題を巧みにナビゲートすることが不可欠である。
データ拡張技術は、稀だが重要な気象事象を分類する際のモデルの精度を向上させることができる。
論文 参考訳（メタデータ） (2023-10-19T21:28:20Z) - 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) - Unleashing Realistic Air Quality Forecasting: Introducing the
Ready-to-Use PurpleAirSF Dataset [4.190243190157989]
本稿では,PurpleAirネットワークからの包括的かつ容易にアクセス可能なデータセットであるPurpleAirSFを紹介する。
本稿では、PurpleAirSFの構築に使用されるデータ収集および処理方法の詳細について述べる。
従来の予測モデルと現代の予測モデルの両方を用いて予備実験を行い、将来の大気質予測タスクのベンチマークを作成する。
論文 参考訳（メタデータ） (2023-06-24T12:10:16Z) - 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) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - CNN Profiler on Polar Coordinate Images for Tropical Cyclone Structure
Analysis [11.387235721659378]
本研究は、衛星画像にCNNを適用して、TC構造プロファイル全体を作成する。
新たにリリースしたベンチマークデータセットで、トレーニングのための貴重なラベルを提供しています。
論文 参考訳（メタデータ） (2020-10-28T18:13:19Z)
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。