論文の概要: RainAI -- Precipitation Nowcasting from Satellite Data
- arxiv url: http://arxiv.org/abs/2311.18398v1
- Date: Thu, 30 Nov 2023 09:49:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 17:20:25.260799
- Title: RainAI -- Precipitation Nowcasting from Satellite Data
- Title（参考訳）: レイナイ―衛星データから降雨を流す
- Authors: Rafael Pablos Sarabia, Joachim Nyborg, Morten Birk, Ira Assent
- Abstract要約: 本稿では,Weather4 2023コンペティションに対する解決策を提案する。
目標は、低解像度の衛星放射率画像を用いて8時間のリードタイムで高解像度の降水を予測することである。
本稿では,2次元U-Netモデルを用いた簡易かつ効果的な特徴学習法を提案する。
- 参考スコア（独自算出の注目度）: 5.869633234882028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a solution to the Weather4Cast 2023 competition, where
the goal is to forecast high-resolution precipitation with an 8-hour lead time
using lower-resolution satellite radiance images. We propose a simple, yet
effective method for spatiotemporal feature learning using a 2D U-Net model,
that outperforms the official 3D U-Net baseline in both performance and
efficiency. We place emphasis on refining the dataset, through importance
sampling and dataset preparation, and show that such techniques have a
significant impact on performance. We further study an alternative
cross-entropy loss function that improves performance over the standard mean
squared error loss, while also enabling models to produce probabilistic
outputs. Additional techniques are explored regarding the generation of
predictions at different lead times, specifically through Conditioning Lead
Time. Lastly, to generate high-resolution forecasts, we evaluate standard and
learned upsampling methods. The code and trained parameters are available at
https://github.com/rafapablos/w4c23-rainai.
- Abstract（参考訳）: 本稿では,weather4cast 2023コンペティションの解決策として,低解像度衛星放射画像を用いた8時間リードタイムによる高分解能降水予測を提案する。
本研究では,2次元u-netモデルを用いた時空間的特徴学習のための単純かつ効果的な手法を提案する。
我々は,重要サンプリングとデータセット作成を通じて,データセットの精錬に重点を置いて,そのような手法がパフォーマンスに重大な影響を与えることを示す。
さらに、標準的な平均二乗誤差損失よりも性能を向上し、モデルが確率的出力を生成できる代替のクロスエントロピー損失関数についても検討する。
異なるリードタイム、特にコンディショニングリードタイムによる予測の生成に関して、追加のテクニックが検討されている。
最後に,高分解能予測を生成するために,標準および学習済みのアップサンプリング法を評価する。
コードとトレーニングされたパラメータはhttps://github.com/rafapablos/w4c23-rainaiで利用可能である。
関連論文リスト
- 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) - PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting [14.855615256498]
数値気象予報(NWP)の事後処理に基づく降水予測に着目する。
我々は,包括的マルチ変数NWP後処理ベンチマークである textbfPostRainBench と,シンプルで効果的なChannel Attention Enhanced Multi-task Learning フレームワークである textbfCAMT を紹介する。
我々のモデルは,大雨条件下でNWPアプローチより優れた深層学習に基づく最初の手法である。
論文 参考訳（メタデータ） (2023-10-04T09:27:39Z) - Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳（メタデータ） (2023-08-18T17:59:01Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - RainUNet for Super-Resolution Rain Movie Prediction under
Spatio-temporal Shifts [22.972610820962625]
本稿では、Weather4cast 2022 Challenge Stage 2に対する解決策を提案する。
この課題の目標は、地上レーダーから得られる将来の高解像度降雨事象を予測することである。
本稿では,課題に適したデータ前処理を行い,新しいRainUNetを用いて降雨映画を予測する手法を提案する。
論文 参考訳（メタデータ） (2022-12-07T23:42:39Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:49:04Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳（メタデータ） (2022-04-05T07:19:42Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳（メタデータ） (2022-03-23T09:45:12Z) - Spatio-Temporal Graph Contrastive Learning [49.132528449909316]
これらの問題に対処するための時空間グラフコントラスト学習フレームワーク(STGCL)を提案する。
グラフ構造、時間領域、周波数領域の4種類のデータ拡張について詳述する。
我々のフレームワークは、実世界の3つのデータセットと4つの最先端モデルで評価されている。
論文 参考訳（メタデータ） (2021-08-26T16:05:32Z) - 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)
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。