Fugu-MT 論文翻訳(概要): Multi-Source Temporal Attention Network for Precipitation Nowcasting

論文の概要: Multi-Source Temporal Attention Network for Precipitation Nowcasting

arxiv url: http://arxiv.org/abs/2410.08641v1
Date: Fri, 11 Oct 2024 09:09:07 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 22:45:00.818719
Title: Multi-Source Temporal Attention Network for Precipitation Nowcasting
Title（参考訳）: 降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水
Authors: Rafael Pablos Sarabia, Joachim Nyborg, Morten Birk, Jeppe Liborius Sjørup, Anders Lillevang Vesterholt, Ira Assent,
Abstract要約: 降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
参考スコア（独自算出の注目度）: 4.726419619132143
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Precipitation nowcasting is crucial across various industries and plays a significant role in mitigating and adapting to climate change. We introduce an efficient deep learning model for precipitation nowcasting, capable of predicting rainfall up to 8 hours in advance with greater accuracy than existing operational physics-based and extrapolation-based models. Our model leverages multi-source meteorological data and physics-based forecasts to deliver high-resolution predictions in both time and space. It captures complex spatio-temporal dynamics through temporal attention networks and is optimized using data quality maps and dynamic thresholds. Experiments demonstrate that our model outperforms state-of-the-art, and highlight its potential for fast reliable responses to evolving weather conditions.
Abstract（参考訳）: 降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。本研究では,降水量予測のための効率的な深層学習モデルを導入し,既存の物理モデルや外挿モデルよりも高い精度で降雨を最大8時間予測する。本モデルでは,マルチソース気象データと物理に基づく予測を利用して,時間と空間の両方で高精度な予測を行う。時間的注意ネットワークを通じて複雑な時空間ダイナミクスをキャプチャし、データ品質マップと動的しきい値を用いて最適化される。実験により、我々のモデルは最先端よりも優れており、進化する気象条件に対する高速な応答の可能性を強調している。

関連論文リスト

Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文参考訳（メタデータ） (2022-10-22T17:21:16Z)
A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。時系列モデルが数値予測の代替となる。本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文参考訳（メタデータ） (2022-09-29T13:47:02Z)
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)
Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks [8.086653045816151]
現在の運用予測モデルは物理に基づいており、大気をシミュレートするためにスーパーコンピュータを使用している。ニューラルネットワークに基づく新しい気象モデルのクラスは、天気予報のパラダイムシフトを表している。最大12時間前に降水予測が可能なニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-11-14T22:53:04Z)
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)
Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文参考訳（メタデータ） (2020-03-15T19:57:34Z)

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。