論文の概要: Generative Precipitation Downscaling using Score-based Diffusion with Wasserstein Regularization

• arxiv url: http://arxiv.org/abs/2410.00381v1
• Date: Tue, 1 Oct 2024 04:12:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 05:56:31.278129
• Title: Generative Precipitation Downscaling using Score-based Diffusion with Wasserstein Regularization
• Title（参考訳）: Wasserstein正則化を用いたスコアベース拡散による降雨抑制
• Authors: Yuhao Liu, James Doss-Gollin, Guha Balakrishnan, Ashok Veeraraghavan,
• Abstract要約: 地域リスクと降水科学を理解するために、長期記録と高解像度の製品が発掘されることがある。 本稿では,世界規模で利用可能なゲージベース降水生成物をダウンスケールする新しい生成拡散モデルを提案する。 We show that WassDiff has better reconstruction accuracy and bias scores than conventional score-based diffusion model。
• 参考スコア（独自算出の注目度）: 19.32044524311079
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding local risks from extreme rainfall, such as flooding, requires both long records (to sample rare events) and high-resolution products (to assess localized hazards). Unfortunately, there is a dearth of long-record and high-resolution products that can be used to understand local risk and precipitation science. In this paper, we present a novel generative diffusion model that downscales (super-resolves) globally available Climate Prediction Center (CPC) gauge-based precipitation products and ERA5 reanalysis data to generate kilometer-scale precipitation estimates. Downscaling gauge-based precipitation from 55 km to 1 km while recovering extreme rainfall signals poses significant challenges. To enforce our model (named WassDiff) to produce well-calibrated precipitation intensity values, we introduce a Wasserstein Distance Regularization (WDR) term for the score-matching training objective in the diffusion denoising process. We show that WDR greatly enhances the model's ability to capture extreme values compared to diffusion without WDR. Extensive evaluation shows that WassDiff has better reconstruction accuracy and bias scores than conventional score-based diffusion models. Case studies of extreme weather phenomena, like tropical storms and cold fronts, demonstrate WassDiff's ability to produce appropriate spatial patterns while capturing extremes. Such downscaling capability enables the generation of extensive km-scale precipitation datasets from existing historical global gauge records and current gauge measurements in areas without high-resolution radar.
• Abstract（参考訳）: 洪水などの豪雨による地域リスクを理解するには、(稀な出来事をサンプリングするために)長い記録と(局所的な危険を評価するために)高解像度の製品の両方が必要である。 残念なことに、地域リスクや降水科学を理解するのに使える長期記録と高解像度の製品が数多く存在している。 本稿では,世界規模で利用可能な温暖化予測センター(CPC)の降水量とERA5の再解析データをダウンスケールし,キロスケール降水量の推定値を生成する新しい生成拡散モデルを提案する。 降水量計に基づく降水量計による降水量は55kmから1kmに減少し、降雨信号の回復は大きな課題となっている。 モデル(WassDiff という名称)をよく校正された降水強度値を生成するために,拡散復調過程におけるスコアマッチングトレーニング目標に対して,Wasserstein Distance Regularization (WDR) という用語を導入する。 我々は,WDRのない拡散に比べて,WDRが極端値を取得する能力を大幅に向上させることを示す。 WassDiffは従来のスコアベース拡散モデルよりも再現精度とバイアススコアが良いことを示す。 熱帯の嵐や寒冷前線のような極端な気象現象の事例研究は、ワスディフが極端な現象を捉えながら適切な空間パターンを作り出す能力を示している。 このようなダウンスケーリング能力により、既存の歴史的グローバルゲージ記録や、高解像度レーダーのない地域での現在のゲージ測定から、大規模な降水データセットを生成することができる。

関連論文リスト

• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Deep-learning based down-scaling of summer monsoon rainfall data over Indian region [0.0]
  動的および統計的ダウンスケーリングモデルは、大域にわたって高解像度のグリッドデータを取得するためにしばしば使用される。 深層学習(DL)に基づく手法は,地域気候予報およびリアルタイム降雨観測データにおいて,降雨データを空間分解能の高い方法でダウンスケールする上で,効率的なソリューションを提供する。 本研究では,超高分解能畳み込みニューラルネットワーク(SRCNN)法から得られた3つの深層学習アルゴリズムを用いて,夏季モンスーンシーズンの4倍の高分解能降雨量データを生成する。
  論文  参考訳（メタデータ） (2020-11-23T10:24:17Z)
• TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
  本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
  論文  参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。