論文の概要: SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation
- arxiv url: http://arxiv.org/abs/2311.15530v1
- Date: Mon, 27 Nov 2023 04:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 17:18:15.419521
- Title: SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation
- Title（参考訳）: SSIN: 降雨空間補間のための自己監督型学習
- Authors: Jia Li, Yanyan Shen, Lei Chen, Charles Wang Wai NG
- Abstract要約: 降雨空間分析のためのデータ駆動型自己教師型学習フレームワークを提案する。
過去のデータから潜伏した空間パターンをマイニングすることで、SpaFormerは生データに対する情報埋め込みを学び、空間相関を適応的にモデル化することができる。
本手法は,2つの実世界のラリングオージデータセットの実験において,最先端のソリューションよりも優れる。
- 参考スコア（独自算出の注目度）: 37.212272184144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The acquisition of accurate rainfall distribution in space is an important
task in hydrological analysis and natural disaster pre-warning. However, it is
impossible to install rain gauges on every corner. Spatial interpolation is a
common way to infer rainfall distribution based on available raingauge data.
However, the existing works rely on some unrealistic pre-settings to capture
spatial correlations, which limits their performance in real scenarios. To
tackle this issue, we propose the SSIN, which is a novel data-driven
self-supervised learning framework for rainfall spatial interpolation by mining
latent spatial patterns from historical observation data. Inspired by the Cloze
task and BERT, we fully consider the characteristics of spatial interpolation
and design the SpaFormer model based on the Transformer architecture as the
core of SSIN. Our main idea is: by constructing rich self-supervision signals
via random masking, SpaFormer can learn informative embeddings for raw data and
then adaptively model spatial correlations based on rainfall spatial context.
Extensive experiments on two real-world raingauge datasets show that our method
outperforms the state-of-the-art solutions. In addition, we take traffic
spatial interpolation as another use case to further explore the performance of
our method, and SpaFormer achieves the best performance on one large real-world
traffic dataset, which further confirms the effectiveness and generality of our
method.
- Abstract（参考訳）: 宇宙における正確な降雨分布の獲得は、水文学解析と自然災害予報において重要な課題である。
しかし、すべての角に雨量計を設置することは不可能である。
空間補間は、利用可能な雷雨データに基づいて降雨分布を推定する一般的な方法である。
しかし、既存の研究は空間相関を捉えるために非現実的な事前設定に依存しており、実際のシナリオにおける性能を制限している。
本研究では,過去の観測データから潜在空間パターンを抽出し,降雨空間補間のためのデータ駆動型自己教師付き学習フレームワークssinを提案する。
ClozeタスクとBERTにインスパイアされ,空間補間の特性を完全に考慮し,Transformerアーキテクチャを基本としたSpaFormerモデルをSSINのコアとして設計する。
ランダムマスキングによってリッチな自己スーパービジョン信号を構築することで、spaformerは生データの情報埋め込みを学習し、降雨空間コンテキストに基づいて空間相関を適応的にモデル化することができる。
2つの実世界のラリングオージデータセットに対する大規模な実験は、我々の手法が最先端のソリューションより優れていることを示している。
さらに,トラフィック空間補間を別のユースケースとして,提案手法の性能をさらに検討し,SpaFormerは1つの大規模実世界のトラフィックデータセット上で最高の性能を達成し,本手法の有効性と汎用性をさらに確認する。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - 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) - Deep Generative Data Assimilation in Multimodal Setting [0.1052166918701117]
本研究では,マルチモーダル・セッティングにおけるスコアベースラテント・アシミレーション(SLAMS)を提案する。
気象観測所のデータと衛星画像とを同化して、垂直温度分布を世界規模で校正する。
私たちの研究は、実世界のデータセットを用いたマルチモーダルデータ同化に、初めて深層生成フレームワークを適用しました。
論文 参考訳（メタデータ） (2024-04-10T00:25:09Z) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳（メタデータ） (2023-10-28T10:19:55Z) - SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。
本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。
履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
論文 参考訳（メタデータ） (2023-06-09T21:01:29Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - Unraveled Multilevel Transformation Networks for Predicting
Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。
合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
論文 参考訳（メタデータ） (2022-03-16T14:44:05Z) - Cyclic Graph Attentive Match Encoder (CGAME): A Novel Neural Network For
OD Estimation [8.398623478484248]
知的交通システム(ITS)時代における交通管理・交通シミュレーションにおける原位置推定の役割
これまでのモデルベースのモデルは、未決定の課題に直面しており、追加の仮定と追加のデータに対する必死な需要が存在する。
本稿では,2層アテンション機構を備えた新しいグラフマッチング手法であるC-GAMEを提案する。
論文 参考訳（メタデータ） (2021-11-26T08:57:21Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。