論文の概要: Uncertainty-Aware Hourly Air Temperature Mapping at 2 km Resolution via Physics-Guided Deep Learning
- arxiv url: http://arxiv.org/abs/2509.12329v1
- Date: Mon, 15 Sep 2025 18:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.706125
- Title: Uncertainty-Aware Hourly Air Temperature Mapping at 2 km Resolution via Physics-Guided Deep Learning
- Title（参考訳）: 物理誘導深度学習による2km分解能における不確かさを意識した大気温度マッピング
- Authors: Shengjie Kris Liu, Siqin Wang, Lu Zhang,
- Abstract要約: 本稿では,米国上空2kmの時空間温度データを生成するための物理誘導型深層学習手法を提案する。
提案されたアプローチは、米国全土の770億画素と15500万のGOES大気温度観測所で構築され、テストされている。
- 参考スコア（独自算出の注目度）: 2.333676964568035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Near-surface air temperature is a key physical property of the Earth's surface. Although weather stations offer continuous monitoring and satellites provide broad spatial coverage, no single data source offers seamless data in a spatiotemporal fashion. Here, we propose a data-driven, physics-guided deep learning approach to generate hourly air temperature data at 2 km resolution over the contiguous United States. The approach, called Amplifier Air-Transformer, first reconstructs GOES-16 surface temperature data obscured by clouds. It does so through a neural network encoded with the annual temperature cycle, incorporating a linear term to amplify ERA5 temperature values at finer scales and convolutional layers to capture spatiotemporal variations. Then, another neural network transforms the reconstructed surface temperature into air temperature by leveraging its latent relationship with key Earth surface properties. The approach is further enhanced with predictive uncertainty estimation through deep ensemble learning to improve reliability. The proposed approach is built and tested on 77.7 billion surface temperature pixels and 155 million air temperature records from weather stations across the contiguous United States (2018-2024), achieving hourly air temperature mapping accuracy of 1.93 C in station-based validation. The proposed approach streamlines surface temperature reconstruction and air temperature prediction, and it can be extended to other satellite sources for seamless air temperature monitoring at high spatiotemporal resolution. The generated data of this study can be downloaded at https://doi.org/10.5281/zenodo.15252812, and the project webpage can be found at https://skrisliu.com/HourlyAirTemp2kmUSA/.
- Abstract（参考訳）: 地表付近の気温は、地球表面の重要な物理的性質である。
気象観測所は連続的な監視を提供し、衛星は広い空間範囲を提供するが、時空間的にシームレスなデータを提供する単一のデータソースは存在しない。
本稿では,連続した米国上空2kmの時空間温度データを生成するための物理誘導型深層学習手法を提案する。
Amplifier Air-Transformerと呼ばれるこの手法は、最初に雲によって隠されたGOES-16の表面温度データを再構成する。
これは、毎年恒例の温度サイクルに符号化されたニューラルネットワークを通じて行われ、線形項を取り入れて、より微細なスケールでERA5温度値を増幅し、時空間の変動を捉える畳み込み層を増幅する。
そして、別のニューラルネットワークは、その遅延関係と重要な地球表面特性を活用することにより、再構成された表面温度を空気温度に変換する。
この手法は、信頼性を向上させるために深層アンサンブル学習による予測的不確実性推定によってさらに強化される。
提案手法は、米国全土の気象観測所(2018-2024)から770億点の地表温度画素と155億件の大気温度記録に基づいて構築、試験され、ステーションベースの検証では1.93Cの時間ごとの大気温度マッピング精度が達成されている。
提案手法は、地表温度の復元と大気温度予測を効率化し、高時空間分解能でシームレスな大気温度モニタリングを行うために他の衛星に拡張することができる。
この研究の生成されたデータはhttps://doi.org/10.5281/zenodo.15252812で、プロジェクトのWebページはhttps://skrisliu.com/HourlyAirTemp2kmUSA/で見ることができる。
関連論文リスト
- FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations [3.344876133162209]
都市熱波、干ばつ、陸熱波は、気候変動の文脈において、ますます困難を増している。
これらの現象を評価し理解するための最も重要な変数の1つはランドサーフェス温度(LST)である。
本研究では,ランドサット8号とテラMODIS号の時空間観測により,毎日10mの空間分解能でLST観測を行うFuseTenを提案する。
論文 参考訳（メタデータ） (2025-07-30T23:04:16Z) - Resolution Revolution: A Physics-Guided Deep Learning Framework for Spatiotemporal Temperature Reconstruction [5.6087513714958686]
現在の技術では、時給2kmで観測できるが、100mでは16日おきにしか観測できない。
本稿では、2つのデータソースを統合した温度データ再構成のための物理誘導型ディープラーニングフレームワークを提案する。
提案フレームワークは、毎年恒例の温度サイクルを組み込んだ畳み込みニューラルネットワークを使用し、粗い地球系のモデル出力を衛星から観測された微細な温度値に増幅する線形項を含む。
論文 参考訳（メタデータ） (2025-07-14T03:03:25Z) - Towards a Spatiotemporal Fusion Approach to Precipitation Nowcasting [0.13981513837988355]
リオデジャネイロの気象雨量計観測所のデータを統合することで,降水量計のためのデータ融合手法を提案する。
我々はSTConvS2Sと呼ばれる数値的な気象深度学習アーキテクチャを採用し、9 x 11グリッドをカバーする構造化データセットを活用している。
実験された構成のうち、核融合モデルでは1時間リードで重降雨(25 mm/h以上)に対して0.2033のF1スコアを達成する。
論文 参考訳（メタデータ） (2025-05-25T18:27:19Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Maximum Temperature Prediction Using Remote Sensing Data Via Convolutional Neural Network [0.11249583407496218]
本研究では,Sentinel-3衛星からのデータと気象予報,リモートセンシング入力を併用する新しい機械学習モデルを提案する。
実験の結果、2023年の平均絶対誤差(MAE)は209°Cで、解像度は1ピクセルあたり20mである。
論文 参考訳（メタデータ） (2024-05-31T09:39:41Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳（メタデータ） (2020-08-14T17:48:06Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。