論文の概要: Joint Retrieval of Cloud properties using Attention-based Deep Learning Models
- arxiv url: http://arxiv.org/abs/2504.03133v1
- Date: Fri, 04 Apr 2025 03:01:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-07 14:48:22.679840
- Title: Joint Retrieval of Cloud properties using Attention-based Deep Learning Models
- Title（参考訳）: 注意に基づくディープラーニングモデルを用いたクラウド特性の同時検索
- Authors: Zahid Hassan Tushar, Adeleke Ademakinwa, Jianwu Wang, Zhibo Zhang, Sanjay Purushotham,
- Abstract要約: CloudUNet with Attention Module (CAM) は、太く重なり合うクラウド領域のエラーを減らすために注意機構を利用する、コンパクトなUNetベースのモデルである。
我々のCAMモデルは最先端のディープラーニング手法より優れており、COTでは平均絶対誤差(MAE)が34%、CERでは42%減少し、IPA法と比較してCOTおよびCER検索では76%、CERでは86%低下している。
- 参考スコア（独自算出の注目度）: 7.86932319873743
- License:
- Abstract: Accurate cloud property retrieval is vital for understanding cloud behavior and its impact on climate, including applications in weather forecasting, climate modeling, and estimating Earth's radiation balance. The Independent Pixel Approximation (IPA), a widely used physics-based approach, simplifies radiative transfer calculations by assuming each pixel is independent of its neighbors. While computationally efficient, IPA has significant limitations, such as inaccuracies from 3D radiative effects, errors at cloud edges, and ineffectiveness for overlapping or heterogeneous cloud fields. Recent AI/ML-based deep learning models have improved retrieval accuracy by leveraging spatial relationships across pixels. However, these models are often memory-intensive, retrieve only a single cloud property, or struggle with joint property retrievals. To overcome these challenges, we introduce CloudUNet with Attention Module (CAM), a compact UNet-based model that employs attention mechanisms to reduce errors in thick, overlapping cloud regions and a specialized loss function for joint retrieval of Cloud Optical Thickness (COT) and Cloud Effective Radius (CER). Experiments on a Large Eddy Simulation (LES) dataset show that our CAM model outperforms state-of-the-art deep learning methods, reducing mean absolute errors (MAE) by 34% for COT and 42% for CER, and achieving 76% and 86% lower MAE for COT and CER retrievals compared to the IPA method.
- Abstract（参考訳）: 雲の挙動と気候への影響を理解するためには、気象予報、気候モデリング、地球の放射収支の推定など、正確な雲のプロパティの検索が不可欠である。
広く使われている物理ベースのアプローチであるIndependent Pixel Approximation (IPA)は、各ピクセルが隣人から独立であることを仮定して放射移動計算を単純化する。
計算効率は高いが、IPAは3次元放射効果の不正確さ、雲の端の誤差、重なり合いや不均一な雲場に対する非効率性など、重大な制限がある。
近年のAI/MLベースのディープラーニングモデルでは,画素間の空間的関係を活用することにより,検索精度が向上している。
しかしながら、これらのモデルはしばしばメモリ集約的であり、単一のクラウドプロパティのみを取得するか、共同プロパティの検索に苦労する。
これらの課題を克服するために,我々は,クラウド光厚み(COT)とクラウド有効放射率(CER)を共同で検索するための特別な損失関数と,太く重なり合うクラウド領域のエラーを低減するための注意機構を利用する,コンパクトなUNetベースモデルであるCloudUNet with Attention Module (CAM)を紹介した。
大規模渦シミュレーション(LES)データセットを用いた実験の結果,我々のCAMモデルは最先端のディープラーニング手法よりも優れており,平均絶対誤差(MAE)が34%,CERが42%,COTおよびCER検索が76%,CER検索が86%低下していることがわかった。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Distilling Machine Learning's Added Value: Pareto Fronts in Atmospheric Applications [0.3696370044051793]
気候モデル階層に触発されて、パレート最適モデルの完全な階層がモデル開発をガイドし、モデルの付加価値を理解するのに役立つことを提案する。
大気物理におけるパレートフロントの利用を3つのサンプルアプリケーションを用いて実証し、最小パラメータを持つ半経験的モデルから深層学習アルゴリズムまで多岐にわたる階層性を示す。
論文 参考訳（メタデータ） (2024-08-04T23:05:42Z) - Learned 3D volumetric recovery of clouds and its uncertainty for climate
analysis [16.260663741590253]
気候予測と雲物理学の不確かさは、浅い散在する雲に関連する観測上のギャップと結びついている。
我々は、ノイズの多い多視点空間画像に基づいて、このような雲のCTを実現するための学習ベースモデル(ProbCT)を設計する。
シミュレーションおよび実世界のデータに基づくアプローチを実証し, 降水および再生可能エネルギーに対する3次元回復と不確実性との関連性を示す。
論文 参考訳（メタデータ） (2024-03-09T14:57:03Z) - ModelNet-O: A Large-Scale Synthetic Dataset for Occlusion-Aware Point
Cloud Classification [28.05358017259757]
本論文では,123,041サンプルの大規模合成データセットであるModelNet-Oを提案する。
ModelNet-Oは、モノクロカメラからのスキャンによる自己閉塞で現実世界の点雲をエミュレートする。
本稿では,PointMLSと呼ばれるロバストポイントクラウド処理手法を提案する。
論文 参考訳（メタデータ） (2024-01-16T08:54:21Z) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳（メタデータ） (2023-11-23T14:28:28Z) - Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud
Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。
本稿では,軽量点雲モデルのための特徴蒸留について検討する。
本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文 参考訳（メタデータ） (2023-10-08T11:32:50Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - Cloud removal Using Atmosphere Model [7.259230333873744]
クラウド除去はリモートセンシングデータ分析において重要なタスクである。
本稿では,低階及びスパースモデルの枠組みにおける任意のシーンの画像の時間的シーケンスに散乱モデルを用いることを提案する。
本研究では,クラウドカバーを定量的に解析できる半現実的シミュレーション手法を開発した。
論文 参考訳（メタデータ） (2022-10-05T01:29:19Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - 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) - 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。