論文の概要: Physical Scales Matter: The Role of Receptive Fields and Advection in Satellite-Based Thunderstorm Nowcasting with Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2504.09994v1
• Date: Mon, 14 Apr 2025 08:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-22 19:39:16.239334
• Title: Physical Scales Matter: The Role of Receptive Fields and Advection in Satellite-Based Thunderstorm Nowcasting with Convolutional Neural Networks
• Title（参考訳）: 物理スケールの課題:畳み込みニューラルネットワークを用いた衛星雷雨流における受容場と対流の役割
• Authors: Christoph Metzl, Kianusch Vahid Yousefnia, Richard Müller, Virginia Poli, Miria Celano, Tobias Bölle,
• Abstract要約: 最近の研究は、機械学習のバリューチェーンに対流を組み込むことで、レーダベースの降水流のスキルが向上したことを示している。 本研究は,衛星による雷雨の流星群への接近を初めて調査し,一般性について検討する。 本質的に、アドベクションは、流し込みに関連する雷雨パターンが長いリード時間で受容野に含まれることを保証している。
• 参考スコア（独自算出の注目度）: 0.43981305860983705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The focus of nowcasting development is transitioning from physically motivated advection methods to purely data-driven Machine Learning (ML) approaches. Nevertheless, recent work indicates that incorporating advection into the ML value chain has improved skill for radar-based precipitation nowcasts. However, the generality of this approach and the underlying causes remain unexplored. This study investigates the generality by probing the approach on satellite-based thunderstorm nowcasts for the first time. Resorting to a scale argument, we then put forth an explanation when and why skill improvements can be expected. In essence, advection guarantees that thunderstorm patterns relevant for nowcasting are contained in the receptive field at long lead times. To test our hypotheses, we train ResU-Nets solving segmentation tasks with lightning observations as ground truth. The input of the Baseline Neural Network (BNN) are short time series of multispectral satellite imagery and lightning observations, whereas the Advection-Informed Neural Network (AINN) additionally receives the Lagrangian persistence nowcast of all input channels at the desired lead time. Overall, we find only a minor skill improvement of the AINN over the BNN when considering fully averaged scores. However, assessing skill conditioned on lead time and wind speed, we demonstrate that our scale argument correctly predicts the onset of skill improvement of the AINN over the BNN after 2h lead time. We confirm that generally advection becomes gradually more important with longer lead times and higher wind speeds. Our work accentuates the importance of considering and incorporating the underlying physical scales when designing ML based forecasting models.
• Abstract（参考訳）: Nowcastingの開発の焦点は、物理的に動機づけられた対流法から純粋にデータ駆動機械学習(ML)アプローチへの移行である。 それにもかかわらず、最近の研究は、MLバリューチェーンに対流を組み込むことで、レーダベースの降水流のスキルが向上したことを示している。 しかし、このアプローチの一般化と根本原因は未解明のままである。 本研究は,衛星による雷雨の流星群への接近を初めて調査し,一般性について検討する。 スケールの議論に置き換えて、いつ、なぜスキル改善が期待できるのかを説明します。 本質的に、アドベクションは、流し込みに関連する雷雨パターンが長いリード時間で受容野に含まれることを保証している。 仮説を検証するために,雷観測を根拠として,ResU-Netsのセグメンテーションタスクを訓練する。 ベースラインニューラルネットワーク(BNN)の入力は、マルチスペクトル衛星画像と雷観測の短い時系列であるのに対し、Advection-Informed Neural Network(AINN)は、所望のリードタイムで全ての入力チャネルのラグランジアン永続化を受信する。 全体として、完全に評価されたスコアを考慮すると、BNNよりもAINNの微妙なスキル改善しか見つからない。 しかし,リードタイムと風速で条件付きスキルを評価することで,2時間リードタイム後のAINNによるAINNのスキル改善の開始を正確に予測できることが実証された。 我々は,より長いリード時間とより高い風速で,一般の対流が徐々に重要になることを確認した。 本研究は,MLに基づく予測モデルの設計において,基礎となる物理スケールを考慮,導入することの重要性を強調させるものである。

関連論文リスト

• Self-supervised Spatial-Temporal Learner for Precipitation Nowcasting [5.365086662531667]
  気象の短期予測は、時間と天候に依存した決定を行うために不可欠である。 本研究では,自己教師型学習の利点を活用し,空間時間学習と統合し,新しいモデルであるSpaT-SparKを開発した。
  論文  参考訳（メタデータ） (2024-12-20T14:09:36Z)
• Temporal Reversal Regularization for Spiking Neural Networks: Hybrid Spatio-Temporal Invariance for Generalization [3.7748662901422807]
  スパイキングニューラルネットワーク(SNN)は、超低消費電力コンピューティングパラダイムとして広く注目を集めている。 近年の研究では、SNNは過度なオーバーフィッティングに悩まされ、一般化性能が制限されていることが示されている。 トレーニング中のオーバーフィッティングを緩和し,SNNの一般化を容易にするため, 簡易かつ効果的な時間逆正則化を提案する。
  論文  参考訳（メタデータ） (2024-08-17T06:23:38Z)
• Bayesian Neural Networks with Domain Knowledge Priors [52.80929437592308]
  ドメイン知識の一般的な形式をBNNに組み込むためのフレームワークを提案する。 提案したドメイン知識を用いたBNNは,標準知識のBNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-20T22:34:53Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• 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)
• Single-shot Bayesian approximation for neural networks [0.0]
  ディープニューラルネットワーク(NN)はその高い予測性能で知られている。 NNは不確実性を示すことなく、全く新しい状況に遭遇すると信頼できない予測を下す傾向にある。 単発MCドロップアウト近似は,BNNの利点を保ちながら,NNと同じくらい高速であることを示す。
  論文  参考訳（メタデータ） (2023-08-24T13:40:36Z)
• 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)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
  我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。 バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
  論文  参考訳（メタデータ） (2021-12-12T17:13:14Z)
• Spatially Focused Attack against Spatiotemporal Graph Neural Networks [8.665638585791235]
  深時空間グラフニューラルネットワーク(GNN)は,トラフィック予測アプリケーションにおいて大きな成功を収めている。 GNNが現実世界の予測アプリケーションに脆弱性がある場合、ハッカーは簡単に結果を操作でき、交通渋滞や都市規模の破壊を引き起こす。
  論文  参考訳（メタデータ） (2021-09-10T01:31:53Z)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)

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。