論文の概要: Center-fixing of tropical cyclones using uncertainty-aware deep learning applied to high-temporal-resolution geostationary satellite imagery

• arxiv url: http://arxiv.org/abs/2409.16507v3
• Date: Wed, 11 Jun 2025 19:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.045768
• Title: Center-fixing of tropical cyclones using uncertainty-aware deep learning applied to high-temporal-resolution geostationary satellite imagery
• Title（参考訳）: 高時間分解能静止衛星画像への不確実性を考慮した深層学習による熱帯サイクロンの中心固定
• Authors: Ryan Lagerquist, Galina Chirokova, Robert DeMaria, Mark DeMaria, Imme Ebert-Uphoff,
• Abstract要約: 本研究では,熱帯サイクロンの表面循環中心の位置を決定するための深層学習アルゴリズムを開発した。 赤外線衛星画像のアニメーション(時系列)を取り込み、ラグタイムで最大4時間までの9チャンネルを含む。 独立したテストデータセットでは、GeoCenterはすべてのシステムの平均/平均RMS誤差26.6/22.2/32.4 km、熱帯システム24.7/20.8/30.0 km、カテゴリー2〜5ハリケーン14.6/12.5/17.3 kmを達成している。
• 参考スコア（独自算出の注目度）: 0.6990493129893112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining the location of a tropical cyclone's (TC) surface circulation center -- "center-fixing" -- is a critical first step in the TC-forecasting process, affecting current/future estimates of track, intensity, and structure. Despite a recent increase in automated center-fixing methods, only one such method (ARCHER-2) is operational, and its best performance is achieved when using microwave or scatterometer data, which are often unavailable. We develop a deep-learning algorithm called GeoCenter; besides a few scalars in the operational Automated Tropical Cyclone Forecasting System, it relies only on geostationary infrared (IR) satellite imagery, which is available for all TC basins at high frequency (10 min) and low latency (< 10 min) during both day and night. GeoCenter ingests an animation (time series) of IR images, including 9 channels at lag times up to 4 hours. The animation is centered at a "first guess" location, offset from the true TC-center location by 48 km on average and sometimes > 100 km; GeoCenter is tasked with correcting this offset. On an independent testing dataset, GeoCenter achieves a mean/median/RMS (root mean square) error of 26.6/22.2/32.4 km for all systems, 24.7/20.8/30.0 km for tropical systems, and 14.6/12.5/17.3 km for category-2--5 hurricanes. These values are similar to ARCHER-2 errors with microwave or scatterometer data, and better than ARCHER-2 errors when only IR data are available. GeoCenter also performs skillful uncertainty quantification, producing a well calibrated ensemble of 150 TC-center locations. Furthermore, all predictors used by GeoCenter are available in real time, which would make GeoCenter easy to implement operationally every 10 min.
• Abstract（参考訳）: 熱帯性サイクロンの表面循環中心(TC)の位置を決定することは、TC予測プロセスにおける重要な第一歩であり、軌道、強度、構造の現在の/将来の推定に影響を及ぼす。 近年、自動中心固定法が増加しているにもかかわらず、そのような方法(ARCHER-2)は1つしか運用されておらず、マイクロ波や散乱計のデータを使用する場合、しばしば利用できなくなる。 我々はGeoCenterと呼ばれる深層学習アルゴリズムを開発したが、運用中の自動熱帯サイクロン予測システムではいくつかのスカラーの他に、静止赤外(IR)衛星画像のみに頼っている。 GeoCenterはIR画像のアニメーション(時系列)を取り込み、ラグタイムで最大4時間までの9チャンネルを含む。 アニメーションは「第1の推測」位置に集中しており、実際のTC中心位置から平均48km、時には100kmまでオフセットし、GeoCenterはこのオフセットの修正を任されている。 独立したテストデータセットでは、GeoCenterはすべてのシステムの平均/平均RMS誤差26.6/22.2/32.4 km、熱帯システム24.7/20.8/30.0 km、カテゴリー2〜5ハリケーン14.6/12.5/17.3 kmを達成している。 これらの値はマイクロ波または散乱計データによるARCHER-2エラーと似ており、IRデータのみが利用できる場合はARCHER-2エラーより優れている。 GeoCenterはまた、巧妙な不確実性の定量化を行い、150のTC中心位置の校正されたアンサンブルを生成する。 さらに、GeoCenterで使用されるすべての予測器はリアルタイムで利用可能であり、GeoCenterは10分毎に運用を簡単に実装できる。

関連論文リスト

• Robust Vehicle Localization and Tracking in Rain using Street Maps [2.2651698012357473]
  本研究では,道路網を用いた地図情報を用いてドリフト速度推定値の補正を行う車両位置推定手法を提案する。 具体的には, 間欠的なGPS, ドリフトIMU, VO推定を統合したフレキシブルフュージョンアルゴリズムを提案する。 各国の地理的に多様な4つのデータセットに対して,提案手法を強く評価した。
  論文  参考訳（メタデータ） (2024-09-02T08:15:12Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Geo-locating Road Objects using Inverse Haversine Formula with NVIDIA Driveworks [0.7428236410246181]
  本稿では,単眼カメラを用いた道路物体の位置決め手法を提案する。 我々は,Centimeter Positioning Service (CPOS) と逆ハヴェルシン式を用いて,道路物体の正確な位置決めを行う。
  論文  参考訳（メタデータ） (2024-01-15T10:38:07Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• Sphere2Vec: A General-Purpose Location Representation Learning over a Spherical Surface for Large-Scale Geospatial Predictions [73.60788465154572]
  現在の2Dおよび3D位置エンコーダはユークリッド空間における点距離をモデル化するために設計されている。 本研究では,球面上の点座標を符号化する場合に,球面距離を保存できるSphere2Vecというマルチスケール位置エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:55:02Z)
• 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)
• Indoor Localization with Robust Global Channel Charting: A Time-Distance-Based Approach [2.572404739180802]
  フィンガープリンティングに基づく位置決めは,非視線優位領域における屋内位置決め性能を著しく向上させる。 チャネルチャート(CC)は明示的な参照情報なしで機能し、チャネル状態情報(CSI)の空間的相関のみを必要とする ユークリッド距離に対する線形相関にアプローチする時間同期シングルインプット/シングルアウトプットCSIに対して,新しい距離測定法を提案する。 これにより、チャートから実世界の座標への線形変換のみを使用して、CC支援のフィンガープリントと位置決めが可能になる。
  論文  参考訳（メタデータ） (2022-10-07T11:07:59Z)
• iSimLoc: Visual Global Localization for Previously Unseen Environments with Simulated Images [21.43167626240771]
  本稿では,一貫した階層的グローバル再ローカライズ手法iSimLocを提案する。 iSimLocの配置機能は、外観や視点の変化の下でターゲット画像の検索に利用することができる。 本研究では,長期飛行における大規模マッチングの実証に焦点をあてた,外観変化のある1つのデータセットと1つのデータセットについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2022-09-14T02:40:50Z)
• CenterNet++ for Object Detection [174.59360147041673]
  ボトムアップアプローチはトップダウンと同じくらい競争力があり、リコールも高くなります。 CenterNetと呼ばれる我々のアプローチは、各オブジェクトを三重項キーポイント(左上と右下)として検出する。 MS-COCOデータセットでは、Res2Net-101 と Swin-Transformer の CenterNet がそれぞれ 53.7% と 57.1% のAPを達成している。
  論文  参考訳（メタデータ） (2022-04-18T16:45:53Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• CenterAtt: Fast 2-stage Center Attention Network [4.438835621855619]
  我々のチームは、Waymoオープンデータセットにおけるリアルタイム3D検出の課題において、すべての方法の6位にランク付けしています。 当社のソリューションは,Centerpoint 3D 検出フレームワーク上に構築されている。
  論文  参考訳（メタデータ） (2021-06-19T13:03:14Z)

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。