論文の概要: Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion

• arxiv url: http://arxiv.org/abs/2410.00381v2
• Date: Tue, 29 Apr 2025 20:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-10 02:32:20.710521
• Title: Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion
• Title（参考訳）: Wasserstein正則拡散による極端沈降のダウンスケーリング
• Authors: Yuhao Liu, James Doss-Gollin, Qiushi Dai, Guha Balakrishnan, Ashok Veeraraghavan,
• Abstract要約: レーダーとメソネットのネットワークはキロメートル規模の降水場を提供しているが、歴史記録や地理的範囲は限られている。 この研究は、分散マッチング正規化器と拡散モデリングを統合する生成的なダウンスケーリングフレームワーク、Wasserstein Regularized Diffusion (WassDiff)を導入している。 降水量は1kmと見積もられ、極端を含む全強度範囲の目標に対してうまく調整されている。
• 参考スコア（独自算出の注目度）: 18.008592164636664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the risks posed by extreme rainfall events necessitates both high-resolution products (to assess localized hazards) and extensive historical records (to capture rare occurrences). Radar and mesonet networks provide kilometer-scale precipitation fields, but with limited historical records and geographical coverage. Conversely, global gauge and blended products span decades, yet their coarse 30-50 km grids obscure local extremes. This work introduces Wasserstein Regularized Diffusion (WassDiff), a generative downscaling framework that integrates diffusion modeling with a distribution-matching (Wasserstein) regularizer, suppressing bias throughout the entire generative denoising process. Conditioned on 55 km CPC gauge-based precipitation and the 31 km ERA5 reanalysis, WassDiff generates 1 km precipitation estimates that remain well-calibrated to targets across the full intensity range, including the extremes. Comprehensive evaluations demonstrate that WassDiff outperforms existing state-of-the-art downscaling methods, delivering lower reconstruction error and reduced bias. Case studies further demonstrate its ability to reproduce realistic fine-scale structures and accurate peak intensities from extreme weather phenomena, such as tropical storms and cold fronts. By unlocking decades of high-resolution rainfall information from globally available coarse records, WassDiff offers a practical pathway toward more accurate flood-risk assessments and climate-adaptation planning.
• Abstract（参考訳）: 極端な降雨によって引き起こされるリスクを理解するには、高解像度の製品(局所的な危険を評価するために)と広範な歴史的記録(稀な出来事を捉えるために)の両方が必要である。 レーダーとメソネットのネットワークはキロメートル規模の降水場を提供しているが、歴史記録や地理的範囲は限られている。 逆に、グローバルゲージとブレンドされた製品は数十年にわたるが、その粗い30～50kmの格子は局所的な極端を曖昧にしている。 この研究は、分散モデリングと分散整合(ワッサースタイン)正規化器を統合し、生成的認知過程全体を通してバイアスを抑える、生成的ダウンスケーリングフレームワークであるワッサーシュタイン正規化拡散(ワッサーシュタイン)を導入する。 55km CPCのゲージベース降水量と31km ERA5の再分析により、ワッスディフは1kmの降水量の推定を発生させ、極端を含む全強度範囲の目標に対してうまく調整されている。 包括的な評価では、WassDiffは既存の最先端のダウンスケーリング手法より優れており、再構築エラーの低減とバイアスの低減を実現している。 ケーススタディでは、熱帯の嵐や寒冷前線のような極端な気象現象から、現実的な微細構造と正確なピーク強度を再現する能力も示している。 世界中の粗い記録から何十年もの高解像度の降雨情報を解き放つことで、ウォスディフはより正確な洪水リスク評価と気候適応計画に向けた実践的な道筋を提供する。

関連論文リスト

• PrecipDiff: Leveraging image diffusion models to enhance satellite-based precipitation observations [0.6813925418351435]
  水関連の災害は、過去50年で最も人的被害を被った自然災害である。 気象監視レーダー(WSR)のような適切な地上監視局の欠如は、設置に費用がかかる。 衛星による観測は、地球規模のほぼリアルタイムな監視ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-13T16:18:31Z)
• Downscaling Precipitation with Bias-informed Conditional Diffusion Model [10.545983522538085]
  現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。 ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。 降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:52Z)
• Global spatio-temporal downscaling of ERA5 precipitation through generative AI [3.320484236699228]
  本研究では,地球規模での降水量の時間的ダウンスケーリングを初めて行う深層学習システムSpateGAN-ERA5について紹介する。 SpateGAN-ERA5は条件付き生成対向神経ネットワーク(cGAN)を使用し、ERA5の降水量は24kmから1時間から2kmと10分に増大する。 現実的で大局的なパターンと極端を含む正確な降雨量分布を持つ高解像度の降雨場を提供する。
  論文  参考訳（メタデータ） (2024-11-22T14:11:23Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)
• 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。