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
- FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Time Series Classification of Supraglacial Lakes Evolution over Greenland Ice Sheet [2.4266997579486085]
グリーンランド氷床(GrIS)は、主に融水流出の増加により、地球規模の海面上昇に重要な役割を果たしている。
本研究では,Reconstructed Phase Spaces (RPSs) の GMM を用いて,その季節的変化に基づいて上部氷河湖を同定する,計算効率のよい時系列分類手法を提案する。
論文 参考訳（メタデータ） (2024-10-08T02:42:15Z) - Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions [1.660242118349614]
本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。
その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
論文 参考訳（メタデータ） (2024-08-25T08:23:06Z) - Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。
深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。
我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-08-20T15:56:01Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - WV-Net: A foundation model for SAR WV-mode satellite imagery trained using contrastive self-supervised learning on 10 million images [23.653151006898327]
本研究では,1000万近いWVモード画像とコントラスト型自己教師型学習を用いて,WV-Netと呼ばれるセマンティック埋め込みモデルを訓練する。
複数の下流タスクにおいて、WV-Netは、教師あり学習を伴う自然画像に事前訓練された同等のモデルより優れている。
WV-Net埋め込みは教師なしのイメージ検索タスクでは優れており、データスパース設定ではスケールが優れている。
論文 参考訳（メタデータ） (2024-06-26T21:30:41Z) - 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) - 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) - 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)
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。