論文の概要: Data-driven Precipitation Nowcasting Using Satellite Imagery

• arxiv url: http://arxiv.org/abs/2412.11480v1
• Date: Mon, 16 Dec 2024 06:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:16.765477
• Title: Data-driven Precipitation Nowcasting Using Satellite Imagery
• Title（参考訳）: 衛星画像を用いたデータ駆動降雨予報
• Authors: Young-Jae Park, Doyi Kim, Minseok Seo, Hae-Gon Jeon, Yeji Choi,
• Abstract要約: ほとんどの発展途上国は、独自のレーダーシステムを操作するのではなく、解像度の低いグローバルな数値モデルに依存している。 我々は,地球規模の静止衛星画像を用いたニューラル沈殿モデル(NPM)を提案する。 NPMは降水量を最大6時間予測し、1時間ごとに更新する。
• 参考スコア（独自算出の注目度）: 20.981632248748944
• License:
• Abstract: Accurate precipitation forecasting is crucial for early warnings of disasters, such as floods and landslides. Traditional forecasts rely on ground-based radar systems, which are space-constrained and have high maintenance costs. Consequently, most developing countries depend on a global numerical model with low resolution, instead of operating their own radar systems. To mitigate this gap, we propose the Neural Precipitation Model (NPM), which uses global-scale geostationary satellite imagery. NPM predicts precipitation for up to six hours, with an update every hour. We take three key channels to discriminate rain clouds as input: infrared radiation (at a wavelength of 10.5 $\mu m$), upper- (6.3 $\mu m$), and lower- (7.3 $\mu m$) level water vapor channels. Additionally, NPM introduces positional encoders to capture seasonal and temporal patterns, accounting for variations in precipitation. Our experimental results demonstrate that NPM can predict rainfall in real-time with a resolution of 2 km. The code and dataset are available at https://github.com/seominseok0429/Data-driven-Precipitation-Nowcasting-Using-Satellite-Imagery.
• Abstract（参考訳）: 正確な降水予測は洪水や地すべりなどの災害の早期警戒に不可欠である。 従来の予測は地上レーダーシステムに依存しており、宇宙に制約があり、メンテナンスコストが高い。 その結果、ほとんどの発展途上国は、独自のレーダーシステムを操作するのではなく、低解像度のグローバルな数値モデルに依存している。 このギャップを軽減するために,地球規模の静止衛星画像を用いたニューラル沈殿モデル(NPM)を提案する。 NPMは降水量を最大6時間予測し、1時間ごとに更新する。 赤外放射(10.5$\mu m$)、上(6.3$\mu m$)、下(7.3$\mu m$)の水蒸気チャネルである。 さらに、NPMは季節や時間的なパターンを捉え、降水量の変動を考慮に入れた位置エンコーダを導入している。 実験の結果,NPMは2kmの解像度でリアルタイムで降雨を予測できることがわかった。 コードとデータセットはhttps://github.com/seominseok0429/Data-driven-Precipitation-Nowcasting-Using-Satellite-Imageryで公開されている。

関連論文リスト

• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• 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)
• Transformer-based nowcasting of radar composites from satellite images for severe weather [45.0983299269404]
  衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。 厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。 このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
  論文  参考訳（メタデータ） (2023-10-30T13:17:38Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks [0.16067645574373132]
  NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。 本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。 我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
  論文  参考訳（メタデータ） (2022-07-15T08:05:41Z)
• Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
  視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。 これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。 衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-10-02T00:43:02Z)
• 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)

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。