論文の概要: M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere

• arxiv url: http://arxiv.org/abs/2406.13317v1
• Date: Wed, 19 Jun 2024 08:11:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 22:40:02.325992
• Title: M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere
• Title（参考訳）: M4Fog:大域的マルチリージョン,マルチモーダル,マルチステージの海洋生物検出とブリッジオーシャンと大気への予測のためのデータセット
• Authors: Mengqiu Xu, Ming Wu, Kaixin Chen, Yixiang Huang, Mingrui Xu, Yujia Yang, Yiqing Feng, Yiying Guo, Bin Huang, Dongliang Chang, Zhenwei Shi, Chuang Zhang, Zhanyu Ma, Jun Guo,
• Abstract要約: これまでに最も包括的な海洋霧検出・予測データセットであるM4Fogを提示する。 データセットは、元素、緯度、経度、時間という4つの次元に沿って68,000個の「スーパーフォッグデータ立方体」で構成され、時間分解能は30時間、空間分解能は1kmである。 実用的応用を考えると,マルチメトリック評価システムを用いた3つの意味トラックを定義し,検討した。
• 参考スコア（独自算出の注目度）: 34.63172821289592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Marine fog poses a significant hazard to global shipping, necessitating effective detection and forecasting to reduce economic losses. In recent years, several machine learning (ML) methods have demonstrated superior detection accuracy compared to traditional meteorological methods. However, most of these works are developed on proprietary datasets, and the few publicly accessible datasets are often limited to simplistic toy scenarios for research purposes. To advance the field, we have collected nearly a decade's worth of multi-modal data related to continuous marine fog stages from four series of geostationary meteorological satellites, along with meteorological observations and numerical analysis, covering 15 marine regions globally where maritime fog frequently occurs. Through pixel-level manual annotation by meteorological experts, we present the most comprehensive marine fog detection and forecasting dataset to date, named M4Fog, to bridge ocean and atmosphere. The dataset comprises 68,000 "super data cubes" along four dimensions: elements, latitude, longitude and time, with a temporal resolution of half an hour and a spatial resolution of 1 kilometer. Considering practical applications, we have defined and explored three meaningful tracks with multi-metric evaluation systems: static or dynamic marine fog detection, and spatio-temporal forecasting for cloud images. Extensive benchmarking and experiments demonstrate the rationality and effectiveness of the construction concept for proposed M4Fog. The data and codes are available to whole researchers through cloud platforms to develop ML-driven marine fog solutions and mitigate adverse impacts on human activities.
• Abstract（参考訳）: 海洋の霧はグローバルな輸送に重大な危険をもたらし、経済的損失を減らすために効果的な検知と予測を必要としている。 近年,いくつかの機械学習(ML)手法は,従来の気象法に比べて検出精度が優れていることが示されている。 しかし、これらの研究の多くはプロプライエタリなデータセットに基づいて開発されており、いくつかの公開データセットは研究目的の単純なおもちゃのシナリオに限られることが多い。 本研究は, 気象観測と数値解析とともに, 海洋霧が頻発する15の海域を網羅する4つの静止気象衛星から, 連続的な海洋霧のステージに関連する10年分のマルチモーダルデータを収集した。 気象専門家によるピクセルレベルの手動アノテーションを通じて、これまでで最も包括的な海洋霧の検出と予測データセットであるM4Fogを、海と大気を橋渡しするために提示する。 データセットは、元素、緯度、経度、時間の4次元に沿って68,000個の「スーパーデータキューブ」で構成され、時間分解能は30時間、空間分解能は1kmである。 現実的な応用を考慮し, 静的・動的海洋霧検出, クラウド画像の時空間予測という, マルチメトリック評価システムを用いた3つの意味トラックを定義し, 検討した。 大規模なベンチマークと実験により、提案されたM4Fogの構築概念の合理性と有効性を示す。 データとコードはクラウドプラットフォームを通じて研究者全体に公開されており、ML駆動の海洋霧ソリューションを開発し、人間の活動に対する悪影響を軽減する。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Global atmospheric data assimilation with multi-modal masked autoencoders [20.776143147372427]
  EarthNetはデータ同化のためのマルチモーダル基礎モデルである。 衛星観測のみから、地球規模のギャップに満ちた大気状態を予測することを学ぶ。 大気の3次元温度と湿度の地球規模の0.16度の再分析データセットを生成する。
  論文  参考訳（メタデータ） (2024-07-16T13:15:51Z)
• DeepExtremeCubes: Integrating Earth system spatio-temporal data for impact assessment of climate extremes [5.736700805381591]
  機械学習技術は、将来性を示すが、十分に構造化され、高品質で、キュレートされた分析可能なデータセットを必要とする。 ここでは、熱波の周囲をマッピングし、干ばつによる極端な衝撃に対処するDeepExtremesデータベースを紹介します。 全世界で4万個以上の空間サンプリングされた小さなデータキューブ(すなわちミニキューブ)を含み、空間カバレッジは2.5×2.5kmである。
  論文  参考訳（メタデータ） (2024-06-26T08:53:26Z)
• Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning [9.458664533786994]
  本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。 シンガポールの2つの実世界のデータセットに関する試験が行われ、以下の有望な結果が得られた。
  論文  参考訳（メタデータ） (2024-03-15T02:25:04Z)
• A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
  様々な動物が環境の手がかりを使って正確なナビゲーションをしている。 動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。 提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
  論文  参考訳（メタデータ） (2024-02-06T13:20:56Z)
• 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)
• 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)
• 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)

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。