論文の概要: IceCloudNet: 3D reconstruction of cloud ice from Meteosat SEVIRI
- arxiv url: http://arxiv.org/abs/2410.04135v1
- Date: Sat, 5 Oct 2024 12:15:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 14:01:04.064230
- Title: IceCloudNet: 3D reconstruction of cloud ice from Meteosat SEVIRI
- Title（参考訳）: IceCloudNet:Meteosat SEVIRIによる雲氷の3次元再構成
- Authors: Kai Jeggle, Mikolaj Czerkawski, Federico Serva, Bertrand Le Saux, David Neubauer, Ulrike Lohmann,
- Abstract要約: IceCloudNetは、高品質の雲氷水含有量(IWC)と氷結晶数濃度(N$_textrmice$)を予測できる機械学習に基づく新しい手法である。
IceCloudNetは、ConvXt Patch U-Netと3DGAN識別器モデルで構成されており、同じ位置にあるSEVIRI画像からDARDARプロファイルを予測することによってトレーニングされている。
このモデルは10年間のSEVIRIデータに適用され、3 kmx3の雲の垂直分解IWCとN$_textrmice$のデータセットを生成する。
- 参考スコア（独自算出の注目度）: 26.970640961908032
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: IceCloudNet is a novel method based on machine learning able to predict high-quality vertically resolved cloud ice water contents (IWC) and ice crystal number concentrations (N$_\textrm{ice}$). The predictions come at the spatio-temporal coverage and resolution of geostationary satellite observations (SEVIRI) and the vertical resolution of active satellite retrievals (DARDAR). IceCloudNet consists of a ConvNeXt-based U-Net and a 3D PatchGAN discriminator model and is trained by predicting DARDAR profiles from co-located SEVIRI images. Despite the sparse availability of DARDAR data due to its narrow overpass, IceCloudNet is able to predict cloud occurrence, spatial structure, and microphysical properties with high precision. The model has been applied to ten years of SEVIRI data, producing a dataset of vertically resolved IWC and N$_\textrm{ice}$ of clouds containing ice with a 3 kmx3 kmx240 mx15 minute resolution in a spatial domain of 30{\deg}W to 30{\deg}E and 30{\deg}S to 30{\deg}N. The produced dataset increases the availability of vertical cloud profiles, for the period when DARDAR is available, by more than six orders of magnitude and moreover, IceCloudNet is able to produce vertical cloud profiles beyond the lifetime of the recently ended satellite missions underlying DARDAR.
- Abstract（参考訳）: IceCloudNetは、高品質で垂直に解決された雲氷水(IWC)と結晶数濃度(N$_\textrm{ice}$)を予測できる機械学習に基づく新しい手法である。
この予測は、静止衛星観測(SEVIRI)の時空間的カバレッジと解像度と、アクティブ衛星探索(DARDAR)の垂直分解能である。
IceCloudNetは、ConvNeXtベースのU-Netと3D PatchGAN識別器モデルで構成され、DARDARプロファイルを同じ位置にあるSEVIRI画像から予測することによってトレーニングされる。
狭いオーバーパスのため、DARDARデータが少ないにもかかわらず、IceCloudNetは雲の発生、空間構造、ミクロ物理特性を高精度で予測することができる。
このモデルは10年間のSEVIRIデータに適用され、30{\deg}Wから30{\deg}E、30{\deg}Sから30{\deg}Nの空間領域で3 kmx3 kmx240 mx15 の氷を含む雲の垂直分解IWCとN$_textrm{ice}$のデータセットを生成する。
生成されたデータセットは、DARDARが利用可能になった期間、マグニチュード6桁以上、さらにIceCloudNetは、最近終了したDARDARの衛星ミッションの寿命を超えて、垂直クラウドプロファイルを生成することができる。
関連論文リスト
- CloudCast -- Total Cloud Cover Nowcasting with Machine Learning [0.0]
雲は天気予報において重要な役割を担い、農業、太陽光発電、航空などいくつかの分野に影響を与える。
数値天気予報(NWP)モデルの進歩にもかかわらず、雲の形成過程の小さな性質のため、雲全体の被覆を予測することは困難である。
我々は、U-Netアーキテクチャに基づいた畳み込みニューラルネットワーク(CNN)であるCloudCastを紹介し、最大5時間前に全クラウドカバー(TCC)を予測するように設計されている。
論文 参考訳（メタデータ） (2024-10-27T14:46:13Z) - A knowledge-based data-driven (KBDD) framework for all-day
identification of cloud types using satellite remote sensing [0.8649679686652648]
クラウドタイプを常時識別するための知識ベースデータ駆動(KBDD)フレームワークを提案する。
CldNetという名前の、新しくてシンプルで効率的なネットワークが提案されている。
8+-2.18%の精度を持つCldNetは、クラウドタイプを特定する最先端技術である。
論文 参考訳（メタデータ） (2023-12-01T02:58:27Z) - UltraLiDAR: Learning Compact Representations for LiDAR Completion and
Generation [51.443788294845845]
我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。
スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。
個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
論文 参考訳（メタデータ） (2023-11-02T17:57:03Z) - IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input
learned from sparse supervision [26.970640961908032]
氷粒子は気候システムにおいて重要な役割を担っているが、気候モデルや将来の気候予測において大きな不確実性の原因となっている。
本研究では,静止衛星観測装置における状態依存型氷物理特性の新たな観測制約と,アクティブ衛星検索の品質について述べる。
論文 参考訳（メタデータ） (2023-10-05T12:24:25Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - CurveCloudNet: Processing Point Clouds with 1D Structure [49.137477909835276]
我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。
CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。
CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-21T17:41:36Z) - WeatherFusionNet: Predicting Precipitation from Satellite Data [0.0]
低分解能衛星放射率画像から高分解能降水を予測することを目的としている。
WeatherFusionNetと呼ばれるニューラルネットワークは、前もって8時間までの激しい雨を予測するために使用されている。
私たちはNeurIPS 2022 Weather4Cast Coreチャレンジで1位を獲得しました。
論文 参考訳（メタデータ） (2022-11-30T08:49:13Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-03T05:36:39Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。
画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。
データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
論文 参考訳（メタデータ） (2020-07-15T20:20:55Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。