論文の概要: DuoCast: Duo-Probabilistic Diffusion for Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2412.01091v3
- Date: Sun, 10 Aug 2025 06:02:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.131924
- Title: DuoCast: Duo-Probabilistic Diffusion for Precipitation Nowcasting
- Title（参考訳）: DuoCast: 降水開始に向けてのDuo-probabilistic Diffusion
- Authors: Penghui Wen, Mengwei He, Patrick Filippi, Na Zhao, Feng Zhang, Thomas Francis Bishop, Zhiyong Wang, Kun Hu,
- Abstract要約: DuoCastは、降水予測を潜在部分空間でモデル化された低周波成分と高周波成分に分解する、二重拡散フレームワークである。
4つのベンチマークレーダデータセットの実験によると、DuoCastは最先端のベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 16.518247609148972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate short-term precipitation forecasting is critical for weather-sensitive decision-making in agriculture, transportation, and disaster response. Existing deep learning approaches often struggle to balance global structural consistency with local detail preservation, especially under complex meteorological conditions. We propose DuoCast, a dual-diffusion framework that decomposes precipitation forecasting into low- and high-frequency components modeled in orthogonal latent subspaces. We theoretically prove that this frequency decomposition reduces prediction error compared to conventional single branch U-Net diffusion models. In DuoCast, the low-frequency model captures large-scale trends via convolutional encoders conditioned on weather front dynamics, while the high-frequency model refines fine-scale variability using a self-attention-based architecture. Experiments on four benchmark radar datasets show that DuoCast consistently outperforms state-of-the-art baselines, achieving superior accuracy in both spatial detail and temporal evolution.
- Abstract（参考訳）: 正確な短期降水予測は、農業、交通、災害対応における気象に敏感な意思決定に不可欠である。
既存のディープラーニングアプローチは、特に複雑な気象条件下で、グローバルな構造的一貫性と局所的な詳細保存のバランスをとるのに苦労することが多い。
降水予測を直交潜在部分空間でモデル化した低周波成分と高周波成分に分解する2次元拡散フレームワークであるDuoCastを提案する。
この周波数分解が従来の単一分岐U-Net拡散モデルと比較して予測誤差を低減することを理論的に証明する。
DuoCastでは、低周波モデルは気象フロントダイナミクスを条件とした畳み込みエンコーダを介して大規模なトレンドを捉え、高周波モデルは自己注意に基づくアーキテクチャを用いて微細な変動性を洗練する。
4つのベンチマークレーダデータセットの実験によると、DuoCastは最先端のベースラインを一貫して上回り、空間的詳細と時間的進化の両方において優れた精度を達成する。
関連論文リスト
- LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。
LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。
LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
論文 参考訳（メタデータ） (2025-06-10T19:17:14Z) - Score-based diffusion nowcasting of GOES imagery [0.6597195879147557]
そこで我々は, スコアベース拡散と呼ばれる新しい手法を探索し, 雲と降水量(0時間から3時間)を予測した。
以上の結果から,拡散モデルは既存の雲だけでなく,対流開始を含む雲を発生・崩壊させることが可能であることが示唆された。
実験された3つの拡散モデルのうち最高のものは、他のすべての拡散モデル、従来のU-Net、ルート平均二乗誤差で1から2ケルビンの持続性予測を上回り、CorrDiffアプローチであった。
論文 参考訳（メタデータ） (2025-05-15T15:51:41Z) - DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models [0.27104259437944106]
季節的・季節的な予測(S2S)は、エネルギーセクターに重大な社会経済的優位性をもたらす可能性がある。
DiffScaleは連続的なダウンスケール要因やリードタイムの空間情報を超解する拡散モデルである。
予測品質が大幅に向上し,ベースラインが最大3.5%向上した。
論文 参考訳（メタデータ） (2025-03-31T09:44:28Z) - Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。
深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。
我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-08-20T15:56:01Z) - 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) - 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) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - 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) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳（メタデータ） (2023-08-13T09:51:16Z) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z) - 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。