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
- DiffCast: A Unified Framework via Residual Diffusion for Precipitation
Nowcasting [21.54722493957853]
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。
論文 参考訳(メタデータ) (2023-12-11T11:26:32Z) - 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) - PAUNet: Precipitation Attention-based U-Net for rain prediction from
satellite radiance data [0.0]
本稿では,衛星放射データから降水を予測するディープラーニングアーキテクチャPAUNetを提案する。
PAUNetはU-NetとRes-Netの亜種であり、マルチバンド衛星画像の大規模コンテキスト情報を効果的にキャプチャするために設計された。
PAUNetは、ヨーロッパ各地のデータセットに基づいてトレーニングされており、ベースラインモデルよりも高い臨界成功指数(CSI)スコアで顕著な精度を示している。
論文 参考訳(メタデータ) (2023-11-30T07:22:55Z) - 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) - 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) - Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。
我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1~2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文 参考訳(メタデータ) (2022-10-22T17:21:16Z) - 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) - 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) - 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。