論文の概要: A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations
- arxiv url: http://arxiv.org/abs/2410.08218v1
- Date: Wed, 25 Sep 2024 14:52:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 04:36:03.738695
- Title: A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations
- Title（参考訳）: 衛星観測におけるサイクロニック事象の自動検出のための視覚解析的アプローチ
- Authors: Akash Agrawal, Mayesh Mohapatra, Abhinav Raja, Paritosh Tiwari, Vishwajeet Pattanaik, Neeru Jaiswal, Arpit Agarwal, Punit Rathore,
- Abstract要約: 熱帯性サイクロンの位置と強度を推定することは、破滅的な気象事象を予測する上で重要な意味を持つ。
サイクロンの検出と強度推定の現在のプロセスは、時間を要する物理に基づくシミュレーション研究を含む。
本研究の目的は、画像入力とデータ駆動アプローチのみを用いて、サイクロンの検出、強度推定および関連する側面に焦点を当てることである。
- 参考スコア（独自算出の注目度）: 8.321173617981387
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Estimating the location and intensity of tropical cyclones holds crucial significance for predicting catastrophic weather events. In this study, we approach this task as a detection and regression challenge, specifically over the North Indian Ocean (NIO) region where best tracks location and wind speed information serve as the labels. The current process for cyclone detection and intensity estimation involves physics-based simulation studies which are time-consuming, only using image features will automate the process for significantly faster and more accurate predictions. While conventional methods typically necessitate substantial prior knowledge for training, we are exploring alternative approaches to enhance efficiency. This research aims to focus specifically on cyclone detection, intensity estimation and related aspects using only image input and data-driven approaches and will lead to faster inference time and automate the process as opposed to current NWP models being utilized at SAC. In context to algorithm development, a novel two stage detection and intensity estimation module is proposed. In the first level detection we try to localize the cyclone over an entire image as captured by INSAT3D over the NIO (North Indian Ocean). For the intensity estimation task, we propose a CNN-LSTM network, which works on the cyclone centered images, utilizing a ResNet-18 backbone, by which we are able to capture both temporal and spatial characteristics.
- Abstract（参考訳）: 熱帯性サイクロンの位置と強度を推定することは、破滅的な気象事象を予測する上で重要な意味を持つ。
本研究では,この課題を,特に北インド洋(NIO)地域において,位置と風速情報がラベルとして機能する検出・回帰問題としてアプローチする。
サイクロンの検出と強度推定の現在のプロセスは、時間を要する物理に基づくシミュレーション研究であり、画像の特徴のみを使用して、より高速でより正確な予測を行う。
従来の手法は訓練に十分な事前知識を必要とすることが多いが、我々は効率を高めるための代替手法を模索している。
本研究の目的は、画像入力とデータ駆動アプローチのみを用いたサイクロン検出、強度推定および関連する側面に特化することであり、SACで使用されている現在のNWPモデルとは対照的に、推論時間を短縮し、プロセスを自動化することである。
アルゴリズム開発において,新しい2段階検出・強度推定モジュールを提案する。
第1レベルの検出では、NIO(北インド洋)上のINSAT3Dが捉えた画像全体にわたってサイクロンをローカライズしようと試みる。
本稿では,ResNet-18のバックボーンを用いて,サイクロン中心の画像に作用するCNN-LSTMネットワークを提案する。
関連論文リスト
- A Novel Time Series-to-Image Encoding Approach for Weather Phenomena Classification [0.0]
本稿では、4G/LTE携帯端末における受信信号レベル(RSL)から特定の気象現象の性質を特定することを目的とする。
時系列を画像としてエンコードし、タスクを画像分類問題としてモデル化する新しい手法を提案し、畳み込みニューラルネットワーク(CNN)を用いて最終的に対処する。
論文 参考訳（メタデータ） (2024-06-07T17:21:10Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Deep learning-based deconvolution for interferometric radio transient
reconstruction [0.39259415717754914]
LOFAR、MeerKAT/SKA、ASKAP/SKA、そして将来のSKA-LOWのような電波天文学施設は、時間と周波数に大きな感度をもたらす。
これらの施設は、自然によって揮発し、データに検出または見逃される無線過渡現象の高度な研究を可能にする。
これらのトランジェントは、電子の高エネルギー加速のマーカーであり、幅広い時間スケールで表される。
論文 参考訳（メタデータ） (2023-06-24T08:58:52Z) - Tools for Extracting Spatio-Temporal Patterns in Meteorological Image
Sequences: From Feature Engineering to Attention-Based Neural Networks [5.566807756855081]
画像のシーケンスからコンテキストを抽出するのに有用な、さまざまな概念とテクニックについてレビューする。
まず、気象学におけるこれらのアプローチの必要性を、太陽の予測と衛星画像からの対流検出という2つの応用を用いて動機づける。
本稿では,気象画像列の解釈に有用な,さまざまな概念と技術の概要を紹介する。
論文 参考訳（メタデータ） (2022-10-22T00:26:54Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - Real-time Tropical Cyclone Intensity Estimation by Handling Temporally
Heterogeneous Satellite Data [33.528810128372704]
本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。
実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
論文 参考訳（メタデータ） (2020-10-28T13:40:07Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-16T12:36:23Z) - End-to-end Learning for Inter-Vehicle Distance and Relative Velocity
Estimation in ADAS with a Monocular Camera [81.66569124029313]
本稿では,ディープニューラルネットワークのエンドツーエンドトレーニングに基づくカメラによる車間距離と相対速度推定手法を提案する。
提案手法の重要な特徴は,2つの時間的単眼フレームによって提供される複数の視覚的手がかりの統合である。
また,移動場における視線歪みの影響を緩和する車両中心サンプリング機構を提案する。
論文 参考訳（メタデータ） (2020-06-07T08:18:31Z) - Applications of shapelet transform to time series classification of
earthquake, wind and wave data [0.0]
「シェープレット変換」は時系列列の形状の局所的類似性に基づく。
理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。
モデルはドメインの実践者の介入なしにイベント検出を自動化する。
論文 参考訳（メタデータ） (2020-04-22T10:17:24Z)
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。