論文の概要: Precipitation Nowcasting With Spatial And Temporal Transfer Learning Using Swin-UNETR

• arxiv url: http://arxiv.org/abs/2312.00258v2
• Date: Tue, 12 Dec 2023 04:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 19:08:13.542099
• Title: Precipitation Nowcasting With Spatial And Temporal Transfer Learning Using Swin-UNETR
• Title（参考訳）: Swin-UNETRを用いた空間的・時間的移動学習による降水学習
• Authors: Ajitabh Kumar
• Abstract要約: 降水流しは、関係機関がそのような事態に備えるのに役立ちます。 最近提案されたSwin-UNETRは、ヨーロッパの10の異なる地域での降水量計に使用されている。 Swin-UNETRは、衛星画像の複数の入力チャネルからスイムトランスフォーマーベースのエンコーダがマルチスケール特徴を抽出するU字型ネットワークを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate change has led to an increase in frequency of extreme weather events. Early warning systems can prevent disasters and loss of life. Managing such events remain a challenge for both public and private institutions. Precipitation nowcasting can help relevant institutions to better prepare for such events. Numerical weather prediction (NWP) has traditionally been used to make physics based forecasting, and recently deep learning based approaches have been used to reduce turn-around time for nowcasting. In this work, recently proposed Swin-UNETR (Swin UNEt TRansformer) is used for precipitation nowcasting for ten different regions of Europe. Swin-UNETR utilizes a U-shaped network within which a swin transformer-based encoder extracts multi-scale features from multiple input channels of satellite image, while CNN-based decoder makes the prediction. Trained model is capable of nowcasting not only for the regions for which data is available, but can also be used for new regions for which data is not available.
• Abstract（参考訳）: 気候変動により、極端な気象現象の頻度が増加した。 早期警戒システムは災害や生命の喪失を防ぐことができる。 このようなイベントを管理することは、公的機関と民間機関の両方にとって課題である。 降水ノキャスティングは、関連機関がそのようなイベントに備えるのに役立ちます。 数値天気予報(NWP)は、伝統的に物理学に基づく予測に使われてきたが、近年では、学習に基づくアプローチにより、放送のターンアラウンド時間を短縮している。 本研究では,最近提案されたSwin-UNETR (Swin UNEt TRansformer) を用いて,ヨーロッパの10地域における降水量予測を行った。 Swin-UNETRは、Swin変換器をベースとしたエンコーダが衛星画像の複数の入力チャネルからマルチスケール特徴を抽出するU字型ネットワークを使用し、CNNベースのデコーダは予測を行う。 トレーニングされたモデルは、データが利用可能なリージョンだけでなく、データが利用できない新しいリージョンでも利用することができる。

関連論文リスト

• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• 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)
• Skilful Precipitation Nowcasting Using NowcastNet [0.0]
  降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。 我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
  論文  参考訳（メタデータ） (2023-11-29T11:24:52Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• RAP-Net: Region Attention Predictive Network for Precipitation Nowcasting [15.587959542301789]
  予測を改善するためにリコール注意機構(RAM)を提案する。 実験の結果,提案する領域注意予測ネットワーク(RAP-Net)は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-03T15:55:18Z)
• Accurate and Clear Precipitation Nowcasting with Consecutive Attention and Rain-map Discrimination [11.686939430992966]
  本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。 このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
  論文  参考訳（メタデータ） (2021-02-16T14:22:54Z)
• A review of radar-based nowcasting of precipitation and applicable machine learning techniques [3.0581668008670673]
  ノウキャスト(英:nowcast)とは、天気予報の一種で、概して2時間以内の短時間で天気予報を行う。 この種の気象予報は、商業航空、公共や屋外のイベント、建設産業に重要な応用がある。 環境科学と機械学習コミュニティの新たなパートナーシップによって、新たな進歩が可能になる。
  論文  参考訳（メタデータ） (2020-05-11T10:34:04Z)

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。