論文の概要: CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling
- arxiv url: http://arxiv.org/abs/2402.04290v1
- Date: Tue, 6 Feb 2024 08:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 18:32:26.910835
- Title: CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling
- Title(参考訳): CasCast:カスケードモデルによる高度な高分解能降水
- Authors: Junchao Gong, Lei Bai, Peng Ye, Wanghan Xu, Na Liu, Jianhua Dai,
Xiaokang Yang, Wanli Ouyang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 93.65319031345197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precipitation nowcasting based on radar data plays a crucial role in extreme
weather prediction and has broad implications for disaster management. Despite
progresses have been made based on deep learning, two key challenges of
precipitation nowcasting are not well-solved: (i) the modeling of complex
precipitation system evolutions with different scales, and (ii) accurate
forecasts for extreme precipitation. In this work, we propose CasCast, a
cascaded framework composed of a deterministic and a probabilistic part to
decouple the predictions for mesoscale precipitation distributions and
small-scale patterns. Then, we explore training the cascaded framework at the
high resolution and conducting the probabilistic modeling in a low dimensional
latent space with a frame-wise-guided diffusion transformer for enhancing the
optimization of extreme events while reducing computational costs. Extensive
experiments on three benchmark radar precipitation datasets show that CasCast
achieves competitive performance. Especially, CasCast significantly surpasses
the baseline (up to +91.8%) for regional extreme-precipitation nowcasting.
- Abstract(参考訳): 気象予報において,レーダデータに基づく降雨流しは重要な役割を担い,災害管理に幅広い影響を及ぼす。
深層学習に基づく進歩にもかかわらず、降水ナキャスティングの2つの重要な課題はよく解決されていない。
(i)異なるスケールの複雑な降水系の進化のモデル化、
二 極度の降水量の正確な予測
本研究では,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。
次に,高分解能でカスケードフレームワークを訓練し,計算コストを低減しつつ極端事象の最適化を促進するために,フレーム誘導拡散トランスを用いて低次元潜在空間における確率的モデリングを行う。
3つのベンチマークレーダ降雨データセットに関する広範な実験は、cascastが競合性能を達成していることを示している。
特にCasCastは、地域の極端降水流のベースライン(+91.8%)を大幅に上回っている。
関連論文リスト
- Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。
本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-06T10:29:38Z) - DYffCast: Regional Precipitation Nowcasting Using IMERG Satellite Data. A case study over South America [3.583227696181354]
降水量を正確に把握する能力は、社会を守るためにますます重要になっている。
本稿では,近年の降水時発生モデルの成功に触発されて,DYffusionフレームワークをこの課題に拡張する。
DYffusionフレームワークを改良し、降雨データをモデル化し、MSE、MAE、LPIPSの知覚スコアを組み合わせた新たな損失関数を導入する。
論文 参考訳(メタデータ) (2024-12-02T22:20:31Z) - Leadsee-Precip: A Deep Learning Diagnostic Model for Precipitation [0.0]
本稿では,気象循環場から降水を生成するための地球規模の深層学習モデルであるPedsee-Precipを提案する。
このモデルは、降水量予測の課題に取り組むために、情報バランススキームを利用する。
Leadsee-Precipの降水量は観測値とより一致しており、地球規模の数値天気予報モデルと競合する性能を示している。
論文 参考訳(メタデータ) (2024-11-19T16:51:56Z) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳(メタデータ) (2024-10-08T08:38:23Z) - GPTCast: a weather language model for precipitation nowcasting [0.0]
GPTCastは、レーダベースの降雨をアンサンブルする深層学習法である。
我々は、トークン化レーダ画像を用いて降水動態を学習するために、GPTモデルを用いて予測を行う。
論文 参考訳(メタデータ) (2024-07-02T09:25:58Z) - 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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-01-23T13:34:01Z) - 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) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z)
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。