論文の概要: Learning Robust Precipitation Forecaster by Temporal Frame Interpolation
- arxiv url: http://arxiv.org/abs/2311.18341v1
- Date: Thu, 30 Nov 2023 08:22:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 17:30:57.335564
- Title: Learning Robust Precipitation Forecaster by Temporal Frame Interpolation
- Title（参考訳）: 時間フレーム補間によるロバスト降雨予報器の学習
- Authors: Lu Han, Xu-Yang Chen, Han-Jia Ye, De-Chuan Zhan
- Abstract要約: 本稿では,ロバストな降水予測モデルの開発について検討する。
時間的フレーム補間(TFI)は,空間的不一致に対して予測モデルを強化するための革新的な手法である。
また、降雨強度の順序性を利用してモデル性能をさらに改善する、新しい多段サイコロ損失も統合する。
- 参考スコア（独自算出の注目度）: 65.5045412005064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in deep learning have propelled the field of weather
prediction models to new heights. Despite their progress, these models often
struggle with real-world application due to their sensitivity to
spatial-temporal shifts, a vulnerability particularly pronounced in weather
prediction tasks where overfitting to local and temporal variations is common.
This paper presents an investigation into the development of a robust
precipitation forecasting model that stands resilient to such shifts. We
introduce Temporal Frame Interpolation (TFI), an innovative technique designed
to fortify forecasting models against spatial-temporal discrepancies. TFI
operates by generating synthetic samples through the interpolation of adjacent
frames from satellite imagery and ground radar data, thereby enriching the
training dataset and bolstering the model's defense against noise on frames.
Additionally, we integrate a novel multi-level dice loss, which exploits the
ordinal nature of rainfall intensities to further refine model performance.
These methodologies have collectively advanced our model's forecasting
precision, achieving \textit{1st place} on the transfer learning leaderboard in
the \textit{Weather4Cast'23 competition}.It not only demonstrates the efficacy
of our approaches but also sets a new benchmark for deep learning applications
in meteorological forecasting. Our code and weights have been public on
\url{https://github.com/Secilia-Cxy/UNetTFI}.
- Abstract（参考訳）: 近年のディープラーニングの進歩は、気象予測モデルの分野を新たな高地へと押し上げている。
それらの進歩にもかかわらず、これらのモデルは時空間シフトに敏感なために現実世界の応用に苦しむことが多く、特に局地的・時間的変動に過度に適合するような天気予報タスクで顕著な脆弱性である。
本稿では,このような変動に耐性を持つロバストな降水予測モデルの開発について検討する。
時間的フレーム補間(TFI)は空間的不一致に対して予測モデルを強化するための革新的な手法である。
TFIは、衛星画像と地上レーダーデータから隣接フレームの補間を通して合成サンプルを生成して、トレーニングデータセットを強化し、フレーム上のノイズに対するモデルの防御を強化する。
さらに,降雨強度の順序的性質を活かし,モデル性能をさらに向上させる,新しいマルチレベルダイス損失を統合する。
これらの手法は, モデル予測精度を総合的に向上させ, 転校学習リーダボード上で \textit{1st place} を達成する。
これは我々のアプローチの有効性を実証するだけでなく、気象予測におけるディープラーニング応用のための新しいベンチマークも設定する。
コードと重みは \url{https://github.com/Secilia-Cxy/UNetTFI} で公開されています。
関連論文リスト
- 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) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間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。
また、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も導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Domain Generalization Strategy to Train Classifiers Robust to
Spatial-Temporal Shift [6.994786884130848]
本研究では,気象予測モデルを時空間シフトに頑健にするためのトレーニング戦略を提案する。
We performed all experiment on the W4C22 Transfer dataset and achieved the 1st performance。
論文 参考訳（メタデータ） (2022-12-06T13:39:15Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - Numerical Weather Forecasting using Convolutional-LSTM with Attention
and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。
我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文 参考訳（メタデータ） (2021-02-01T08:30:42Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳（メタデータ） (2020-07-08T20:33:10Z)
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。