論文の概要: Spatiotemporal deep learning models for detection of rapid intensification in cyclones

• arxiv url: http://arxiv.org/abs/2506.08397v1
• Date: Tue, 10 Jun 2025 03:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.273432
• Title: Spatiotemporal deep learning models for detection of rapid intensification in cyclones
• Title（参考訳）: サイクロンの急激な強度検出のための時空間深層学習モデル
• Authors: Vamshika Sutar, Amandeep Singh, Rohitash Chandra,
• Abstract要約: 急激な拡大はサイクロン中の極端な出来事と考えられており、その発生は比較的稀であり、データセットのクラス不均衡に寄与する。 本稿では,風力と空間座標に基づいて,深層学習,アンサンブル,学習データ拡張フレームワークの評価を行い,サイクロンの急速な拡大を検出する。 以上の結果から,サイクロンの急激な拡大検出の精度向上が図られ,空間座標が与えられたモデルに対する入力特性として重要な役割を担っていることが示唆された。
• 参考スコア（独自算出の注目度）: 3.5507325091630264
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cyclone rapid intensification is the rapid increase in cyclone wind intensity, exceeding a threshold of 30 knots, within 24 hours. Rapid intensification is considered an extreme event during a cyclone, and its occurrence is relatively rare, contributing to a class imbalance in the dataset. A diverse array of factors influences the likelihood of a cyclone undergoing rapid intensification, further complicating the task for conventional machine learning models. In this paper, we evaluate deep learning, ensemble learning and data augmentation frameworks to detect cyclone rapid intensification based on wind intensity and spatial coordinates. We note that conventional data augmentation methods cannot be utilised for generating spatiotemporal patterns replicating cyclones that undergo rapid intensification. Therefore, our framework employs deep learning models to generate spatial coordinates and wind intensity that replicate cyclones to address the class imbalance problem of rapid intensification. We also use a deep learning model for the classification module within the data augmentation framework to differentiate between rapid and non-rapid intensification events during a cyclone. Our results show that data augmentation improves the results for rapid intensification detection in cyclones, and spatial coordinates play a critical role as input features to the given models. This paves the way for research in synthetic data generation for spatiotemporal data with extreme events.
• Abstract（参考訳）: サイクロンの急激な拡大は、24時間以内に30ノットを超えるサイクロンの風力の急激な増加である。 急激な拡大はサイクロン中の極端な出来事と考えられており、その発生は比較的稀であり、データセットのクラス不均衡に寄与する。 様々な要因がサイクロンが急速に強化される可能性に影響を与え、従来の機械学習モデルのタスクをさらに複雑にする。 本稿では,風力と空間座標に基づいて,深層学習,アンサンブル学習,データ拡張フレームワークの評価を行い,サイクロンの急速な拡大を検出する。 急激な拡張を行うサイクロンを複製する時空間パターンの生成には,従来のデータ拡張手法は利用できない。 そこで,本フレームワークでは,急激な強度向上のクラス不均衡問題に対処するために,サイクロンを再現する空間座標と風の強度を生成するためのディープラーニングモデルを用いている。 また、データ拡張フレームワーク内の分類モジュールのディープラーニングモデルを用いて、サイクロン中の急激なイベントと非ラピッドなインテンシフィケーションイベントを区別する。 以上の結果から,データ拡張によりサイクロンの急速な拡大検出が向上し,空間座標が与えられたモデルへの入力特徴として重要な役割を果たすことが示された。 これは、極端な事象を伴う時空間データのための合成データ生成の研究の道を開く。

関連論文リスト

• A Statistical Learning Approach to Mediterranean Cyclones [0.0]
  ベイジアンアルゴリズムは風速データに基づいて地中海のサイクロンを分類できることを示す。 教師付き統計学習技術を用いて新しいサイクロンを検出し,追跡する。
  論文  参考訳（メタデータ） (2025-01-26T22:46:11Z)
• TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
  急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。 当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• A Visual-Analytical Approach for Automatic Detection of Cyclonic Events in Satellite Observations [8.321173617981387]
  熱帯性サイクロンの位置と強度を推定することは、破滅的な気象事象を予測する上で重要な意味を持つ。 サイクロンの検出と強度推定の現在のプロセスは、時間を要する物理に基づくシミュレーション研究を含む。 本研究の目的は、画像入力とデータ駆動アプローチのみを用いて、サイクロンの検出、強度推定および関連する側面に焦点を当てることである。
  論文  参考訳（メタデータ） (2024-09-25T14:52:04Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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)
• Improving extreme weather events detection with light-weight neural networks [0.0]
  気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。 我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
  論文  参考訳（メタデータ） (2023-03-31T23:38:54Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。