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

• arxiv url: http://arxiv.org/abs/2410.00381v4
• Date: Tue, 12 Aug 2025 21:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 16:17:41.977305
• 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, Ashok Veeraraghavan, Guha Balakrishnan,
• Abstract要約: レーダーとメソネットのネットワークは1kmの解像度で降水場を提供するが、歴史的および地理的な範囲は限られている。 ゲージベースの記録と分析製品は、数十年の時間を世界規模でカバーしていますが、解像度は30～50kmに過ぎません。 本研究では,低分解能ゲージおよび再分析生成物から降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提案する。
• 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 requires analysis of precipitation fields with high resolution (to assess localized hazards) and extensive historical coverage (to capture sufficient examples of rare occurrences). Radar and mesonet networks provide precipitation fields at 1 km resolution but with limited historical and geographical coverage, while gauge-based records and reanalysis products cover decades of time on a global scale, but only at 30-50 km resolution. To help provide high-resolution precipitation estimates over long time scales, this study presents Wasserstein Regularized Diffusion (WassDiff), a diffusion framework to downscale (super-resolve) precipitation fields from low-resolution gauge and reanalysis products. Crucially, unlike related deep generative models, WassDiff integrates a Wasserstein distribution-matching regularizer to the denoising process to reduce empirical biases at extreme intensities. Comprehensive evaluations demonstrate that WassDiff quantitatively outperforms existing state-of-the-art generative downscaling methods at recovering extreme weather phenomena such as tropical storms and cold fronts. Case studies further qualitatively demonstrate WassDiff's ability to reproduce realistic fine-scale weather structures and accurate peak intensities. 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、高分解能(局所的な危険を評価するために)と広範囲の歴史的カバレッジ(まれな出来事の十分な例を捉えるために)で降水場を分析する必要がある。 レーダーとメソネットのネットワークは降水場を1kmの解像度で提供しているが、歴史的、地理的な範囲は限られている。 長期にわたる高分解能降水量の推定を支援するため,この研究では,低分解能ゲージおよび再分析生成物から(超分解能の)降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提示する。 重要なことに、関連する深層生成モデルとは異なり、ワッスディフはワッサーシュタイン分布整合正規化器をデノナイジング過程に統合し、極端な強度での経験的バイアスを低減する。 総合的な評価は、ワッスディフが熱帯雨雨や寒冷前線のような極端な気象現象を回復するために、既存の最先端の縮退法を定量的に上回っていることを示している。 ケーススタディは、WassDiffの現実的な微気象構造と正確なピーク強度を再現する能力をさらに質的に証明している。 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

• Investigating the Robustness of Extreme Precipitation Super-Resolution Across Climates [0.07276318984353923]
  格子状気候モデルの粗い空間分解能は 極端な降水量のような社会的に関係のある変数を 投影する際の使用を制限します 対象変数の確率分布のパラメータを解析的に抽出可能な写像を用いて超解法を提案する。 本フレームワークは, パラメータ分布が支配する変数に対して広く適用可能であり, 経験的ダウンスケーリングが気候変動や極端に一般化する時期と理由を理解するためのモデルに依存しない診断を提供する。
  論文  参考訳（メタデータ） (2025-07-12T07:04:07Z)
• Riverine Flood Prediction and Early Warning in Mountainous Regions using Artificial Intelligence [0.9320657506524149]
  本研究は,パキスタンとアフガニスタンの間を流れるカブール川を,越境流域における洪水予報の複雑さを反映したケーススタディとして用いた。 本研究は,衛星を用いた気候データを用いて,多くの高度な機械学習モデルと深層学習モデルを適用し,日・多段河川流の予測を行った。 LSTMネットワークは他のモデルよりも優れており、最高R2値は0.96、最低RMSEは140.96 m3/secである。
  論文  参考訳（メタデータ） (2025-05-24T11:10:09Z)
• 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。