論文の概要: Simulating Nighttime Visible Satellite Imagery of Tropical Cyclones
Using Conditional Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2401.11679v1
- Date: Mon, 22 Jan 2024 03:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 15:08:56.356556
- Title: Simulating Nighttime Visible Satellite Imagery of Tropical Cyclones
Using Conditional Generative Adversarial Networks
- Title(参考訳): 条件付き生成逆ネットワークによる熱帯サイクロンの夜間可視衛星画像のシミュレーション
- Authors: Jinghuai Yao, Puyuan Du, Yucheng Zhao, and Yubo Wang
- Abstract要約: 本研究では,夜間可視反射率を高精度に生成するCGANモデルを提案する。
日中における高度ヒマワリ画像装置(AHI)の目標領域観測により,本モデルを訓練し,検証した。
本研究は、可視・赤外線画像放射計スイート(VIIRS)のデイ/ナイトバンド(DNB)を用いた夜間モデル検証も行った。
- 参考スコア(独自算出の注目度): 10.76837828367292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visible (VIS) imagery of satellites has various important applications in
meteorology, including monitoring Tropical Cyclones (TCs). However, it is
unavailable at night because of the lack of sunlight. This study presents a
Conditional Generative Adversarial Networks (CGAN) model that generates highly
accurate nighttime visible reflectance using infrared (IR) bands and sunlight
direction parameters as input. The model was trained and validated using target
area observations of the Advanced Himawari Imager (AHI) in the daytime. This
study also presents the first nighttime model validation using the Day/Night
Band (DNB) of the Visible/Infrared Imager Radiometer Suite (VIIRS). The daytime
statistical results of the Structural Similarity Index Measure (SSIM), Peak
Signal-to-Noise Ratio (PSNR), Root Mean Square Error (RMSE), Correlation
Coefficient (CC), and Bias are 0.885, 28.3, 0.0428, 0.984, and -0.0016
respectively, completely surpassing the model performance of previous studies.
The nighttime statistical results of SSIM, PSNR, RMSE, and CC are 0.821, 24.4,
0.0643, and 0.969 respectively, which are slightly negatively impacted by the
parallax between satellites. We performed full-disk model validation which
proves our model could also be readily applied in the tropical ocean without
TCs in the northern hemisphere. This model contributes to the nighttime
monitoring of meteorological phenomena by providing accurate AI-generated
visible imagery with adjustable virtual sunlight directions.
- Abstract(参考訳): 可視光(VIS)画像は、熱帯サイクロン(TC)の観測など、気象学に様々な重要な応用がある。
しかし、日光不足のため夜間は利用できない。
本研究では、赤外(IR)帯域と日光方向パラメータを入力として、高精度な夜間可視反射率を生成する条件生成適応ネットワーク(CGAN)モデルを提案する。
日中における高度ヒマワリ画像装置(AHI)の目標領域観測により,本モデルを訓練し,検証した。
また,可視・赤外線画像放射計スイート(VIIRS)のデイ/ナイトバンド(DNB)を用いた夜間モデル検証を行った。
構造類似度指数測定(SSIM)、ピーク信号対雑音比(PSNR)、ルート平均角誤差(RMSE)、相関係数(CC)、バイアスは0.885, 28.3, 0.0428, 0.984, -0.0016であり、前回のモデル性能を大きく上回っている。
SSIM、PSNR、RMSE、CCの夜間統計結果は、それぞれ0.821、24.4、0.0643、0.969であり、衛星間のパララックスにわずかに負の影響を受けている。
北半球ではtcsを使わずに熱帯海でも容易にモデルが適用できることを示すフルディスクモデル検証を行った。
このモデルは、調整可能な仮想日光方向を持つ正確なAI生成可視画像を提供することにより、気象現象の夜間モニタリングに寄与する。
関連論文リスト
- 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) - Hierarchical-level rain image generative model based on GAN [4.956959291938016]
階層レベルの降雨画像生成モデルである雨条件型CycleGANを構築した。
条件付きGANでは、異なる降雨強度がラベルとして導入されている。
モデル構造を最適化し、モード崩壊の問題を緩和するためにトレーニング戦略を調整する。
論文 参考訳(メタデータ) (2023-09-06T12:59:52Z) - NeRF applied to satellite imagery for surface reconstruction [5.027411102165872]
本稿では、最近導入されたシャドウニューラルレージアンスフィールド(S-NeRF)モデルの修正実装であるSurf-NeRFを提案する。
本手法は、画像中の光の変動を考慮しつつ、シーンの衛星画像の粗い集合から新規なビューを合成することができる。
トレーニングされたモデルは、しばしば衛星観測用途に望ましい量であるシーンの表面の標高を正確に推定するためにも使用できる。
論文 参考訳(メタデータ) (2023-04-09T01:37:13Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳(メタデータ) (2022-12-06T13:59:06Z) - DL-Corrector-Remapper: A grid-free bias-correction deep learning
methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。
これは、数値天気予報(NWP)のバイアス補正と後処理に似ている
私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
論文 参考訳(メタデータ) (2022-10-21T23:04:44Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T10:02:40Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳(メタデータ) (2021-11-23T08:04:32Z) - Creating synthetic meteorology satellite visible light images during
night based on GAN method [0.0]
夜間に合成衛星可視光画像を作成するための深層学習に基づく手法を提案する。
具体的には,GAN(Generative Adversarial Networks)モデルを用いて,可視光画像を生成する。
ECMWF NWP製品とFY-4A気象衛星可視光および赤外チャネル日時に基づく実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-07-21T16:05:26Z) - 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) - Real-time Tropical Cyclone Intensity Estimation by Handling Temporally
Heterogeneous Satellite Data [33.528810128372704]
本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。
実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
論文 参考訳(メタデータ) (2020-10-28T13:40:07Z) - Conditional Variational Image Deraining [158.76814157115223]
キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク
本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。
合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2020-04-23T11:51:38Z)
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。