論文の概要: Atmos-Bench: 3D Atmospheric Structures for Climate Insight
- arxiv url: http://arxiv.org/abs/2507.11085v1
- Date: Tue, 15 Jul 2025 08:27:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:03.037524
- Title: Atmos-Bench: 3D Atmospheric Structures for Climate Insight
- Title（参考訳）: Atmos-Bench:気候観測のための3次元大気構造
- Authors: Tianchi Xu,
- Abstract要約: 532nmと355nmの3D散乱量から921,600個の画像スライスを生成するAtmos-Benchを、384の陸域時間ステップで拡張COSPシミュレータと結合し、高品質なボクセル参照を出力し、(b)モデルアーキテクチャにABB-BC物理制約を埋め込み、復元時のエネルギー一貫性を促進、(c)355nmと532nmの両方にわたるAtmos-Benchデータセットの一貫性のある改善を実現した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atmospheric structure, represented by backscatter coefficients (BC) recovered from satellite LiDAR attenuated backscatter (ATB), provides a volumetric view of clouds, aerosols, and molecules, playing a critical role in human activities, climate understanding, and extreme weather forecasting. Existing methods often rely on auxiliary inputs and simplified physics-based approximations, and lack a standardized 3D benchmark for fair evaluation. However, such approaches may introduce additional uncertainties and insufficiently capture realistic radiative transfer and atmospheric scattering-absorption effects. To bridge these gaps, we present Atmos-Bench: the first 3D atmospheric benchmark, along with a novel FourCastX: Frequency-enhanced Spatio-Temporal Mixture-of-Experts Network that (a) generates 921,600 image slices from 3D scattering volumes simulated at 532 nm and 355 nm by coupling WRF with an enhanced COSP simulator over 384 land-ocean time steps, yielding high-quality voxel-wise references; (b) embeds ATB-BC physical constraints into the model architecture, promoting energy consistency during restoration; (c) achieves consistent improvements on the Atmos-Bench dataset across both 355 nm and 532 nm bands, outperforming state-of-the-art baseline models without relying on auxiliary inputs. Atmos-Bench establishes a new standard for satellite-based 3D atmospheric structure recovery and paves the way for deeper climate insight.
- Abstract（参考訳）: 衛星LiDAR減衰後方散乱(ATB)から回収された後方散乱係数(BC)で表される大気構造は、雲、エアロゾル、分子の体積ビューを提供し、人間の活動、気候の理解、極端な天気予報において重要な役割を果たす。
既存の手法は、しばしば補助的な入力と単純化された物理に基づく近似に依存し、公正な評価のために標準化された3Dベンチマークを欠いている。
しかし、このようなアプローチはさらなる不確実性を導入し、現実的な放射能移動と大気散乱吸収効果を十分に捉えていない可能性がある。
これらのギャップを埋めるために、最初の3D大気ベンチマークであるAtmos-Benchと、FourCastX: Frequency-enhanced Spatio-Temporal Mixture-of-Experts Networkを紹介する。
a) 陸域時間ステップ384以上のCOSPシミュレータとWRFを結合させることにより, 532 nmおよび355 nmでシミュレーションした3次元散乱体積から921,600個の画像スライスを生成し, 高品質なボクセル参照を得る。
b) ATB-BC の物理的制約をモデルアーキテクチャに埋め込んで,復元時にエネルギーの整合性を促進する。
(c) は355nmおよび532nm帯のAtmos-Benchデータセットに対して一貫した改善を実現し、補助入力に頼ることなく最先端のベースラインモデルより優れている。
Atmos-Benchは、衛星ベースの大気構造回復のための新しい標準を確立し、より深い気候の洞察の道を開く。
関連論文リスト
- Conditional Diffusion Models for Global Precipitation Map Inpainting [0.0]
不完全な衛星ベースの降水は、地球観測において大きな課題となる。
本研究では,降水マップの完成を映像化作業として定式化する。
本研究では,条件付き拡散モデルに基づく機械学習手法を提案する。
論文 参考訳（メタデータ） (2025-07-28T02:26:36Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。
このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
論文 参考訳（メタデータ） (2024-12-14T19:43:48Z) - PBR-NeRF: Inverse Rendering with Physics-Based Neural Fields [49.6405458373509]
シーン形状,材料,照明を共同で推定できる逆レンダリング(IR)モデルを提案する。
本手法は, 材料推定を必要とする他の逆レンダリングおよび3次元再構成フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-12-12T19:00:21Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Enhancing Weather Predictions: Super-Resolution via Deep Diffusion Models [0.0]
本研究では,気象データの超解像に対するディープラーニング拡散モデルの適用について検討した。
本稿では,低分解能気象データを高分解能出力に変換する手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T14:15:12Z) - Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。
予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文 参考訳（メタデータ） (2023-10-02T23:09:59Z) - Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models [2.2215308271891403]
我々は、恒星間放射場(ISRF)強度を4.5,24,250の3バンドダストエミッションに基づいて予測するために、深層学習技術を採用している。
我々のモデルは、複雑で制約の厳しいISRF環境においても、放射線のフィードバック分布を強く予測する。
論文 参考訳（メタデータ） (2023-09-11T20:28:43Z) - DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction
using Neural Radiance Fields [56.30120727729177]
DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。
提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
論文 参考訳（メタデータ） (2023-03-20T18:03:32Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。