論文の概要: Generative Nowcasting of Marine Fog Visibility in the Grand Banks area
and Sable Island in Canada
- arxiv url: http://arxiv.org/abs/2402.06800v1
- Date: Fri, 9 Feb 2024 21:57:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:21:11.737055
- Title: Generative Nowcasting of Marine Fog Visibility in the Grand Banks area
and Sable Island in Canada
- Title(参考訳): カナダ・グランドバンクス地域とサブル島における海洋生物の可視性の生成
- Authors: Eren Gultepe, Sen Wang, Byron Blomquist, Harindra J.S. Fernando, O.
Patrick Kreidl, David J. Delene, Ismail Gultepe
- Abstract要約: 条件付き生成逆ネットワーク(cGAN)による霧の可視性(Vis)の生成
極勾配促進法 (XGBoost) は, cGANと比較するためのベースライン法として用いられた。
現在、30分でVisを放送するのは非常に難しいが、1kmでVisの変動を追跡するcGANモデルの能力は、海洋の霧の可視性を生成分析する可能性があることを示唆している。
- 参考スコア(独自算出の注目度): 6.226747882256984
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study presents the application of generative deep learning techniques to
evaluate marine fog visibility nowcasting using the FATIMA (Fog and turbulence
interactions in the marine atmosphere) campaign observations collected during
July 2022 in the North Atlantic in the Grand Banks area and vicinity of Sable
Island (SI), northeast of Canada. The measurements were collected using the
Vaisala Forward Scatter Sensor model FD70 and Weather Transmitter model WXT50,
and Gill R3A ultrasonic anemometer mounted on the Research Vessel Atlantic
Condor. To perform nowcasting, the time series of fog visibility (Vis), wind
speed, dew point depression, and relative humidity with respect to water were
preprocessed to have lagged time step features. Generative nowcasting of Vis
time series for lead times of 30 and 60 minutes were performed using
conditional generative adversarial networks (cGAN) regression at visibility
thresholds of Vis < 1 km and < 10 km. Extreme gradient boosting (XGBoost) was
used as a baseline method for comparison against cGAN. At the 30 min lead time,
Vis was best predicted with cGAN at Vis < 1 km (RMSE = 0.151 km) and with
XGBoost at Vis < 10 km (RMSE = 2.821 km). At the 60 min lead time, Vis was best
predicted with XGBoost at Vis < 1 km (RMSE = 0.167 km) and Vis < 10 km (RMSE =
3.508 km), but the cGAN RMSE was similar to XGBoost. Despite nowcasting Vis at
30 min being quite difficult, the ability of the cGAN model to track the
variation in Vis at 1 km suggests that there is potential for generative
analysis of marine fog visibility using observational meteorological
parameters.
- Abstract(参考訳): 本研究では,2022年7月にカナダ北東部,グランドバンクス地域の北大西洋で観測されたFATIMA (Fog and turbulence interaction in the Marine atmosphere) の観測結果を用いて,海洋の霧の可視性を評価するための生成的深層学習手法の適用について述べる。
観測はvaisala forward scatter sensor model fd70とweather transmission model wxt50とgill r3a超音波計を用いて行われた。
霧の可視性(vis)、風速、露点抑うつ、水に対する相対湿度の時系列を事前処理し、時間ステップ特性を遅延させた。
1km/10kmの可視閾値でcgan回帰法を用いて,30分/60分間のリードタイムに対するviss時系列の現示を行った。
極勾配促進法 (XGBoost) は, cGANと比較するためのベースライン法として用いられた。
30分間のリードタイムでは、Vis < 1 km (RMSE = 0.151 km)でcGAN、Vis < 10 km (RMSE = 2.821 km)でXGBoostで予測された。
60分間のリードタイムでは、Vis < 1 km (RMSE = 0.167 km) と Vis < 10 km (RMSE = 3.508 km) でXGBoostが予測されたが、cGAN RMSEはXGBoostと類似していた。
30分でVisを流し込むのは非常に難しいが、1kmでVisの変動を追跡するcGANモデルの能力は、観測気象パラメーターを用いて海洋の霧の可視性を生成する可能性を示唆している。
関連論文リスト
- Estimating optical vegetation indices with Sentinel-1 SAR data and
AutoML [32.19783248549554]
現在の森林生態系モニタリング用光植生指標(VIs)は,様々な用途で広く利用されている。
光衛星データに基づく継続的な監視は、雲のような大気の影響によって妨げられる。
本研究の目的は、SARデータによる光学データに影響を与える問題を克服し、機械学習を用いて森林の光VIを推定する代替手段として機能することである。
論文 参考訳(メタデータ) (2023-11-13T18:23:46Z) - Transforming Observations of Ocean Temperature with a Deep Convolutional
Residual Regressive Neural Network [0.0]
海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。
ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。
本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。
我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
論文 参考訳(メタデータ) (2023-06-16T17:35:11Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳(メタデータ) (2023-04-22T22:39:03Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳(メタデータ) (2023-04-06T09:16:39Z) - WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。
我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。
WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文 参考訳(メタデータ) (2023-02-08T14:50:52Z) - Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data [14.672132394870445]
複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。
ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。
この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
論文 参考訳(メタデータ) (2022-10-20T14:59:58Z) - Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。
本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。
この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-10-17T09:14:35Z) - AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility [125.77396380698639]
AVisTは、視認性の悪いさまざまなシナリオにおける視覚的トラッキングのためのベンチマークである。
AVisTは、80kの注釈付きフレームを持つ120の挑戦的なシーケンスで構成されており、18の多様なシナリオにまたがっている。
我々は、属性間でのトラッキング性能を詳細に分析し、AVisTで17の人気のトラッカーと最近のトラッカーをベンチマークした。
論文 参考訳(メタデータ) (2022-08-14T17:49:37Z) - Rain regime segmentation of Sentinel-1 observation learning from NEXRAD
collocations with Convolution Neural Networks [0.16067645574373132]
NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。
本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。
我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
論文 参考訳(メタデータ) (2022-07-15T08:05:41Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳(メタデータ) (2022-05-13T21:55:28Z)
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。