論文の概要: Rainy: Unlocking Satellite Calibration for Deep Learning in Precipitation

• arxiv url: http://arxiv.org/abs/2504.10776v1
• Date: Tue, 15 Apr 2025 00:30:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:08.062653
• Title: Rainy: Unlocking Satellite Calibration for Deep Learning in Precipitation
• Title（参考訳）: 降雨時の深層学習のための衛星キャリブレーションの解除
• Authors: Zhenyu Yu, Hanqing Chen, Mohd Yamani Idna Idris, Pei Wang,
• Abstract要約: 降水は地球の水循環において重要な役割を担い、生態系、農業、水資源管理に直接影響を与えている。 近年、定量的リモートセンシング(QRS)において人工知能(AI)が注目を集めている。 レーニーデータセットは,(1)衛星キャリブレーション,(2)降水イベント予測,(3)降水レベル予測,(4)時間予測,(5)降水ダウンスケーリングの5つの主要なタスクをサポートする。
• 参考スコア（独自算出の注目度）: 4.415961468927045
• License:
• Abstract: Precipitation plays a critical role in the Earth's hydrological cycle, directly affecting ecosystems, agriculture, and water resource management. Accurate precipitation estimation and prediction are crucial for understanding climate dynamics, disaster preparedness, and environmental monitoring. In recent years, artificial intelligence (AI) has gained increasing attention in quantitative remote sensing (QRS), enabling more advanced data analysis and improving precipitation estimation accuracy. Although traditional methods have been widely used for precipitation estimation, they face limitations due to the difficulty of data acquisition and the challenge of capturing complex feature relationships. Furthermore, the lack of standardized multi-source satellite datasets, and in most cases, the exclusive reliance on station data, significantly hinders the effective application of advanced AI models. To address these challenges, we propose the Rainy dataset, a multi-source spatio-temporal dataset that integrates pure satellite data with station data, and propose Taper Loss, designed to fill the gap in tasks where only in-situ data is available without area-wide support. The Rainy dataset supports five main tasks: (1) satellite calibration, (2) precipitation event prediction, (3) precipitation level prediction, (4) spatiotemporal prediction, and (5) precipitation downscaling. For each task, we selected benchmark models and evaluation metrics to provide valuable references for researchers. Using precipitation as an example, the Rainy dataset and Taper Loss demonstrate the seamless collaboration between QRS and computer vision, offering data support for AI for Science in the field of QRS and providing valuable insights for interdisciplinary collaboration and integration.
• Abstract（参考訳）: 降水は地球の水循環において重要な役割を担い、生態系、農業、水資源管理に直接影響を与えている。 正確な降水予測と予測は、気候力学、災害対策、環境モニタリングの理解に不可欠である。 近年、人工知能(AI)は量的リモートセンシング(QRS)において注目を集めており、より高度なデータ分析と降水推定精度の向上を実現している。 従来の手法は降水量推定に広く用いられてきたが、データ取得の難しさと複雑な特徴関係を捉えることの難しさから制約に直面している。 さらに、標準化されたマルチソース衛星データセットが欠如しており、多くの場合、ステーションデータへの排他的依存は、高度なAIモデルの効果的な適用を著しく妨げている。 これらの課題に対処するために、純粋な衛星データと局データを統合するマルチソース時空間データセットであるRainyデータセットを提案し、地域全体のサポートなしに、その場でのみ利用できるタスクのギャップを埋めるように設計されたTaper Lossを提案する。 レーニーデータセットは,(1)衛星キャリブレーション,(2)降水イベント予測,(3)降水レベル予測,(4)時空間予測,(5)降水ダウンスケーリングの5つの主要なタスクをサポートする。 各タスクに対して,研究者に貴重な基準を提供するために,ベンチマークモデルと評価指標を選択した。 降水量を使って、RainyデータセットとTaper Lossは、QRSとコンピュータビジョンのシームレスなコラボレーションを示し、QRSの分野でAI for Scienceのデータサポートを提供し、学際的なコラボレーションと統合のための貴重な洞察を提供する。

関連論文リスト

• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [33.025831091005784]
  大規模な海面温度(SST)モニタリングは、衛星の赤外線検出に依存している。 クラウドカバーは大きな課題を示し、広範な観察上のギャップを生み出します。 我々は、衛星画像の雲に覆われた部分を再構築するために、ディープニューラルネットワークを使用している。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis [4.441792803766689]
  本研究は、小型衛星の厳密な帯域幅、エネルギー、遅延制約に対処する枠組みを提案する。 衛星画像からの船舶の直接検出・分類における深層学習手法の適用について検討した。 本手法は,車載処理チェーンの簡素化により,キャリブレーションや整形などの計算集約的なステップを必要とせず,直接解析を容易にする。
  論文  参考訳（メタデータ） (2024-11-05T18:38:42Z)
• Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
  本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。 本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
  論文  参考訳（メタデータ） (2024-10-10T05:38:03Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• RainBench: Towards Global Precipitation Forecasting from Satellite Imagery [6.462260770989231]
  極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。 データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。 現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
  論文  参考訳（メタデータ） (2020-12-17T15:35:24Z)
• Imputation of missing sub-hourly precipitation data in a large sensor network: a machine learning approach [4.648824029505978]
  本研究では,30分間隔で採取した降水データを計算するために,現在の機械学習技術を利用した2段階解析手法を提案する。 英国の37の気象観測所を調査し、この機械学習プロセスは降水データをより正確に予測する。 弱相関データセットから複雑な非線形関係をキャプチャすることは、時間以下の解像度でデータリカバリに不可欠である。
  論文  参考訳（メタデータ） (2020-03-30T10:47:18Z)

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。