論文の概要: DiffCast: A Unified Framework via Residual Diffusion for Precipitation
Nowcasting
- arxiv url: http://arxiv.org/abs/2312.06734v1
- Date: Mon, 11 Dec 2023 11:26:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 18:36:23.002142
- Title: DiffCast: A Unified Framework via Residual Diffusion for Precipitation
Nowcasting
- Title(参考訳): DiffCast: 降水開始のための残留拡散による統一フレームワーク
- Authors: Demin Yu, Xutao Li, Yunming Ye, Baoquan Zhang, Chuyao Luo, Kuai Dai,
Rui Wang, Xunlai Chen
- Abstract要約: 降水流速計は、現在の観測結果に基づいてレーダエコー列を予測する重要なタスクであり、気象科学と都市への応用の両方に役立てることができる。
従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。
我々は、大域的決定論的な動きと残留メカニズムによる局所的な変動の観点から、カオス的な進化的降水系を分解し、モデル化する。
- 参考スコア(独自算出の注目度): 21.54722493957853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precipitation nowcasting is an important spatio-temporal prediction task to
predict the radar echoes sequences based on current observations, which can
serve both meteorological science and smart city applications. Due to the
chaotic evolution nature of the precipitation systems, it is a very challenging
problem. Previous studies address the problem either from the perspectives of
deterministic modeling or probabilistic modeling. However, their predictions
suffer from the blurry, high-value echoes fading away and position inaccurate
issues. The root reason of these issues is that the chaotic evolutionary
precipitation systems are not appropriately modeled. Inspired by the nature of
the systems, we propose to decompose and model them from the perspective of
global deterministic motion and local stochastic variations with residual
mechanism. A unified and flexible framework that can equip any type of
spatio-temporal models is proposed based on residual diffusion, which
effectively tackles the shortcomings of previous methods. Extensive
experimental results on four publicly available radar datasets demonstrate the
effectiveness and superiority of the proposed framework, compared to
state-of-the-art techniques. Our code will be made publicly available soon.
- Abstract(参考訳): 降水ノキャスティングは、現在の観測に基づいてレーダーエコーシーケンスを予測する重要な時空間予測タスクであり、気象学とスマートシティの両方の応用に役立つ。
降水系のカオス的な進化の性質から、これは非常に難しい問題である。
従来の研究では、決定論的モデリングや確率論的モデリングの観点からこの問題に対処している。
しかし、それらの予測はぼやけ、高値のエコーが消え、位置が不正確な問題に苦しむ。
これらの問題の根本原因は、カオス的な進化的降水系が適切にモデル化されていないことである。
システムの性質に触発されて,大域的な決定論的運動と局所的な確率的変動の観点から,それらを分解しモデル化することを提案する。
従来の手法の欠点を効果的に解決する,残差拡散に基づく任意の種類の時空間モデルを装備できる統一的かつ柔軟なフレームワークを提案する。
4つの公開レーダデータセットの大規模な実験結果は、最先端技術と比較して提案フレームワークの有効性と優位性を示している。
私たちのコードはまもなく公開されます。
関連論文リスト
- 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) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - A Practical Probabilistic Benchmark for AI Weather Models [0.8278356279004184]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。
また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文 参考訳(メタデータ) (2024-01-27T05:53:16Z) - 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。
このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。
予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
論文 参考訳(メタデータ) (2022-03-15T12:54:17Z) - Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。
実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。
提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文 参考訳(メタデータ) (2022-01-31T18:16:03Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Probabilistic solution of chaotic dynamical system inverse problems
using Bayesian Artificial Neural Networks [0.0]
カオスシステムの逆問題は数値的に困難である。
モデルパラメータの小さな摂動は、推定された前方軌道において非常に大きな変化を引き起こす可能性がある。
ビザレニューラルネットワークは、モデルに同時に適合し、モデルのパラメータの不確実性を推定するために使用することができる。
論文 参考訳(メタデータ) (2020-05-26T20:35:02Z)
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。