論文の概要: A Deep Learning Approach to Radar-based QPE
- arxiv url: http://arxiv.org/abs/2402.09846v1
- Date: Thu, 15 Feb 2024 10:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:01:42.002884
- Title: A Deep Learning Approach to Radar-based QPE
- Title(参考訳): レーダベースQPEの深層学習手法
- Authors: Ting-Shuo Yo, Shih-Hao Su, Jung-Lien Chu, Chiao-Wei Chang, and
Hung-Chi Kuo
- Abstract要約: マルチプルセンサ(QPESUMS)モザイクレーダデータセットを用いた量的降水量推定と分別に基づく量的降水量推定(QPE)のためのボリューム・ツー・ポイント・フレームワークを提案する。
台湾地域における格子状レーダー反射率の時系列データ量を用いて,気象観測所におけるQPEの統計モデルを構築するために,機械学習アルゴリズムを用いた。
- 参考スコア(独自算出の注目度): 0.11184789007828977
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this study, we propose a volume-to-point framework for quantitative
precipitation estimation (QPE) based on the Quantitative Precipitation
Estimation and Segregation Using Multiple Sensor (QPESUMS) Mosaic Radar data
set. With a data volume consisting of the time series of gridded radar
reflectivities over the Taiwan area, we used machine learning algorithms to
establish a statistical model for QPE in weather stations. The model extracts
spatial and temporal features from the input data volume and then associates
these features with the location-specific precipitations. In contrast to QPE
methods based on the Z-R relation, we leverage the machine learning algorithms
to automatically detect the evolution and movement of weather systems and
associate these patterns to a location with specific topographic attributes.
Specifically, we evaluated this framework with the hourly precipitation data of
45 weather stations in Taipei during 2013-2016. In comparison to the
operational QPE scheme used by the Central Weather Bureau, the volume-to-point
framework performed comparably well in general cases and excelled in detecting
heavy-rainfall events. By using the current results as the reference benchmark,
the proposed method can integrate the heterogeneous data sources and
potentially improve the forecast in extreme precipitation scenarios.
- Abstract(参考訳): 本研究では,マルチプルセンサ(QPESUMS)モザイクレーダデータセットを用いた量的降水量推定と分別に基づく量的降水量推定(QPE)のためのボリューム・ツー・ポイント・フレームワークを提案する。
台湾地域における格子状レーダー反射率の時系列データ量を用いて,気象観測所におけるQPEの統計モデルを構築するために,機械学習アルゴリズムを用いた。
このモデルは、入力データボリュームから空間的および時間的特徴を抽出し、それらの特徴を位置固有の降水と関連付ける。
z-r関係に基づくqpe法とは対照的に,機械学習アルゴリズムを用いて気象システムの進化と移動を自動的に検出し,それらのパターンを特定の地形属性に関連付ける。
具体的には,2013-2016年に台北の気象観測所45箇所の降水量データを用いて,この枠組みを評価した。
中央気象局が実施した運用QPE方式と比較して,一般的な場合において,ボリューム・ツー・ポイント・フレームワークは良好に動作し,重雨の観測に優れていた。
提案手法は,基準ベンチマークとして現在の結果を用いることで,異種データソースを統合し,極端な降水シナリオにおける予測を改善することができる。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳(メタデータ) (2023-12-02T18:13:45Z) - 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) - Spatially-resolved hyperlocal weather prediction and anomaly detection
using IoT sensor networks and machine learning techniques [0.0]
我々は,IoTセンサネットワークと機械学習技術を用いた局部気象予測と異常検出を組み合わせた新しいアプローチを提案する。
本システムは,予測の空間分解能を高め,リアルタイムに異常を効果的に検出することができる。
以上の結果から,本システムは意思決定を促進できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-10-17T05:04:53Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - 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) - Imputation of missing sub-hourly precipitation data in a large sensor
network: a machine learning approach [4.648824029505978]
本研究では,30分間隔で採取した降水データを計算するために,現在の機械学習技術を利用した2段階解析手法を提案する。
英国の37の気象観測所を調査し、この機械学習プロセスは降水データをより正確に予測する。
弱相関データセットから複雑な非線形関係をキャプチャすることは、時間以下の解像度でデータリカバリに不可欠である。
論文 参考訳(メタデータ) (2020-03-30T10:47:18Z)
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。