論文の概要: UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2504.19408v1
• Date: Mon, 28 Apr 2025 01:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.279124
• Title: UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting
• Title（参考訳）: UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting
• Authors: Maitreya Sonawane, Sumit Mamtani,
• Abstract要約: 本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。 本稿では,次のフレーム述語領域で使用されるデータセットの初期研究について述べる。
• 参考スコア（独自算出の注目度）: 0.06906005491572399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Making accurate weather predictions can be particularly challenging for localized storms or events that evolve on hourly timescales, such as thunderstorms. Hence, our goal for the project was to model Weather Nowcasting for making highly localized and accurate predictions that apply to the immediate future replacing the current numerical weather models and data assimilation systems with Deep Learning approaches. A significant advantage of machine learning is that inference is computationally cheap given an already-trained model, allowing forecasts that are nearly instantaneous and in the native high resolution of the input data. In this work we developed a novel method that employs Transformer-based machine learning models to forecast precipitation. This approach works by leveraging axial attention mechanisms to learn complex patterns and dynamics from time series frames. Moreover, it is a generic framework and can be applied to univariate and multivariate time series data, as well as time series embeddings data. This paper represents an initial research on the dataset used in the domain of next frame prediciton, and hence, we demonstrate state-of-the-art results in terms of metrices (PSNR = 47.67, SSIM = 0.9943) used for the given dataset using UNet with Axial Transformer.
• Abstract（参考訳）: 正確な天気予報を行うことは、雷雨のような時間帯に進化する局所的な嵐や出来事にとって特に困難である。 したがって、このプロジェクトの目的は、現在の数値気象モデルやデータ同化システムをディープラーニングのアプローチで置き換える、高度に局所的で正確な予測を行うために、天気予報をモデル化することであった。 機械学習の大きな利点は、推論が既に訓練済みのモデルから計算的に安価であり、ほぼ瞬時に入力データのネイティブな高解像度な予測を可能にすることである。 本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。 このアプローチは、軸方向の注意機構を利用して、時系列フレームから複雑なパターンやダイナミクスを学習する。 さらに、このフレームワークは汎用的なフレームワークであり、一変量および多変量時系列データ、および時系列埋め込みデータに適用することができる。 本論文は,次のフレーム述語領域で使用されるデータセットに関する最初の研究であり,UNet with Axial Transformerを用いて与えられたデータセットに対して,計量(PSNR = 47.67, SSIM = 0.9943)を用いて,最先端の結果を示す。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
  本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。 提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
  論文  参考訳（メタデータ） (2024-05-12T23:18:14Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case [2.997238772148965]
  時系列データは、多くの科学と工学の分野で広く使われている。 本稿では,トランスフォーマーに基づく機械学習モデルを用いた時系列予測の新しい手法を提案する。 提案手法により得られた予測結果は,最先端技術と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-01-23T00:22:22Z)

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。