論文の概要: Score-based diffusion nowcasting of GOES imagery

• arxiv url: http://arxiv.org/abs/2505.10432v1
• Date: Thu, 15 May 2025 15:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.395635
• Title: Score-based diffusion nowcasting of GOES imagery
• Title（参考訳）: スコアによるGOES画像の拡散
• Authors: Randy J. Chase, Katherine Haynes, Lander Ver Hoef, Imme Ebert-Uphoff,
• Abstract要約: そこで我々は, スコアベース拡散と呼ばれる新しい手法を探索し, 雲と降水量(0時間から3時間)を予測した。 以上の結果から,拡散モデルは既存の雲だけでなく,対流開始を含む雲を発生・崩壊させることが可能であることが示唆された。 実験された3つの拡散モデルのうち最高のものは、他のすべての拡散モデル、従来のU-Net、ルート平均二乗誤差で1から2ケルビンの持続性予測を上回り、CorrDiffアプローチであった。
• 参考スコア（独自算出の注目度）: 0.6597195879147557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clouds and precipitation are important for understanding weather and climate. Simulating clouds and precipitation with traditional numerical weather prediction is challenging because of the sub-grid parameterizations required. Machine learning has been explored for forecasting clouds and precipitation, but early machine learning methods often created blurry forecasts. In this paper we explore a newer method, named score-based diffusion, to nowcast (zero to three hour forecast) clouds and precipitation. We discuss the background and intuition of score-based diffusion models - thus providing a starting point for the community - while exploring the methodology's use for nowcasting geostationary infrared imagery. We experiment with three main types of diffusion models: a standard score-based diffusion model (Diff); a residual correction diffusion model (CorrDiff); and a latent diffusion model (LDM). Our results show that the diffusion models are able to not only advect existing clouds, but also generate and decay clouds, including convective initiation. These results are surprising because the forecasts are initiated with only the past 20 mins of infrared satellite imagery. A case study qualitatively shows the preservation of high resolution features longer into the forecast than a conventional mean-squared error trained U-Net. The best of the three diffusion models tested was the CorrDiff approach, outperforming all other diffusion models, the traditional U-Net, and a persistence forecast by one to two kelvin on root mean squared error. The diffusion models also enable out-of-the-box ensemble generation, which shows skillful calibration, with the spread of the ensemble correlating well to the error.
• Abstract（参考訳）: 雲と降水は気候や気候を理解するのに重要である。 雲と降雨を従来の数値的な天気予報でシミュレーションすることは、サブグリッドパラメータ化が必要なため困難である。 機械学習は、雲や降水を予測するために研究されてきたが、初期の機械学習手法は、しばしばぼやけた予測を生み出した。 本稿では,スコアベース拡散(スコアベース拡散)と呼ばれる新しい手法について検討し,雲と降水量(0時間から3時間)を予測した。 静止赤外画像の放送における方法論の活用を探りながら,スコアベース拡散モデルの背景と直感について考察する。 標準スコアベース拡散モデル(Diff)、残留補正拡散モデル(CorrDiff)、潜在拡散モデル(LDM)の3種類の拡散モデルについて実験を行った。 以上の結果から,拡散モデルは既存の雲だけでなく,対流開始を含む雲を発生・崩壊させることが可能であることが示唆された。 これらの結果は、過去20分間の赤外線衛星画像でしか観測されていないため、驚くべきものである。 ケーススタディでは,従来の平均二乗誤差訓練U-Netよりも,高分解能特徴の保存時間が長いことを定性的に示す。 実験された3つの拡散モデルのうち最高のものは、他のすべての拡散モデル、従来のU-Net、ルート平均二乗誤差で1から2ケルビンの持続性予測を上回り、CorrDiffアプローチであった。 拡散モデルはまた、精度の良いキャリブレーションを示すアウト・オブ・ザ・ボックスのアンサンブル生成を可能にし、アンサンブルの拡散はエラーによく関連している。

関連論文リスト

• Downscaling Precipitation with Bias-informed Conditional Diffusion Model [10.545983522538085]
  現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。 ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。 降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:52Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• Diffusion Models in Vision: A Survey [73.10116197883303]
  拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。 拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
  論文  参考訳（メタデータ） (2022-09-10T22:00:30Z)

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。