論文の概要: RainPro-8: An Efficient Deep Learning Model to Estimate Rainfall Probabilities Over 8 Hours

• arxiv url: http://arxiv.org/abs/2505.10271v1
• Date: Thu, 15 May 2025 13:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.327507
• Title: RainPro-8: An Efficient Deep Learning Model to Estimate Rainfall Probabilities Over 8 Hours
• Title（参考訳）: RainPro-8: 8時間で降雨確率を推定する効率的なディープラーニングモデル
• Authors: Rafael Pablos Sarabia, Joachim Nyborg, Morten Birk, Jeppe Liborius Sjørup, Anders Lillevang Vesterholt, Ira Assent,
• Abstract要約: ヨーロッパにおける8時間の地平線上での高分解能確率降水予測のための深層学習モデルを提案する。 本モデルは,レーダー,衛星,物理に基づく数値気象予測(NWP)を含む複数のデータソースを効率よく統合し,長距離の相互作用を捉える。
• 参考スコア（独自算出の注目度）: 4.726419619132143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a deep learning model for high-resolution probabilistic precipitation forecasting over an 8-hour horizon in Europe, overcoming the limitations of radar-only deep learning models with short forecast lead times. Our model efficiently integrates multiple data sources - including radar, satellite, and physics-based numerical weather prediction (NWP) - while capturing long-range interactions, resulting in accurate forecasts with robust uncertainty quantification through consistent probabilistic maps. Featuring a compact architecture, it enables more efficient training and faster inference than existing models. Extensive experiments demonstrate that our model surpasses current operational NWP systems, extrapolation-based methods, and deep-learning nowcasting models, setting a new standard for high-resolution precipitation forecasting in Europe, ensuring a balance between accuracy, interpretability, and computational efficiency.
• Abstract（参考訳）: 本研究では,欧州の8時間地平線上での高分解能確率降水予測のための深層学習モデルを提案する。 本モデルでは,レーダー,衛星,物理に基づく数値天気予報(NWP)を含む複数のデータソースを効率よく統合し,長距離の相互作用を捉えることにより,一貫した確率地図による確実な定量化が可能な精度の予測を行う。 コンパクトなアーキテクチャであるため、既存のモデルよりも効率的なトレーニングと高速な推論が可能になる。 大規模な実験により、我々のモデルは現在のNWPシステム、外挿法、深層学習流速予測モデルを超え、ヨーロッパにおける高分解能降水予測の新しい標準を設定し、精度、解釈可能性、計算効率のバランスを確保することが実証された。

関連論文リスト

• Multi-Source Temporal Attention Network for Precipitation Nowcasting [4.726419619132143]
  降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。 降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
  論文  参考訳（メタデータ） (2024-10-11T09:09:07Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach [0.0]
  ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。 モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
  論文  参考訳（メタデータ） (2021-10-30T00:31:48Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。