Fugu-MT 論文翻訳(概要): Learning Regional Monsoon Patterns with a Multimodal Attention U-Net

論文の概要: Learning Regional Monsoon Patterns with a Multimodal Attention U-Net

arxiv url: http://arxiv.org/abs/2509.23267v1
Date: Sat, 27 Sep 2025 11:48:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 22:32:19.133799
Title: Learning Regional Monsoon Patterns with a Multimodal Attention U-Net
Title（参考訳）: マルチモーダル注意U-Netを用いた地域モンスーンパターンの学習
Authors: Swaib Ilias Mazumder, Manish Kumar, Aparajita Khan,
Abstract要約: 高分解能降水分類のための多モード深層学習フレームワークを提案する。インド5州に対する新しい1km解像度データセットをキュレートする。当社のフレームワークは,単調なベースラインや既存のディープラーニング手法よりも一貫して優れています。
参考スコア（独自算出の注目度）: 3.134311415077079
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate monsoon rainfall prediction is vital for India's agriculture, water management, and climate risk planning, yet remains challenging due to sparse ground observations and complex regional variability. We present a multimodal deep learning framework for high-resolution precipitation classification that leverages satellite and Earth observation data. Unlike previous rainfall prediction models based on coarse 5-50 km grids, we curate a new 1 km resolution dataset for five Indian states, integrating seven key geospatial modalities: land surface temperature, vegetation (NDVI), soil moisture, relative humidity, wind speed, elevation, and land use, covering the June-September 2024 monsoon season. Our approach uses an attention-guided U-Net architecture to capture spatial patterns and temporal dependencies across modalities, combined with focal and dice loss functions to handle rainfall class imbalance defined by the India Meteorological Department (IMD). Experiments demonstrate that our multimodal framework consistently outperforms unimodal baselines and existing deep learning methods, especially in extreme rainfall categories. This work contributes a scalable framework, benchmark dataset, and state-of-the-art results for regional monsoon forecasting, climate resilience, and geospatial AI applications in India.
Abstract（参考訳）: 正確なモンスーン降雨予測はインドの農業、水管理、気候リスク計画にとって不可欠であるが、低地での観測と複雑な地域変動のために依然として困難である。衛星・地球観測データを利用した高分解能降水分類のための多モード深層学習フレームワークを提案する。 2024年6月から9月にかけてのモンスーン季節をカバーし, 地表温度, 植生 (NDVI) , 土壌水分, 相対湿度, 風速, 標高, 土地利用の7つの重要な測地モードを統合した。提案手法は,インド気象局(IMD)が定義する降雨量不均衡に対応するために,空間パターンと時間的依存をモダリティにわたって捉えるために,注意誘導型U-Netアーキテクチャを用いている。実験により,我々のマルチモーダル・フレームワークは,特に極度の降雨カテゴリーにおいて,単調なベースラインと既存のディープラーニング手法を一貫して上回っていることが示された。この研究は、インドの地域モンスーン予測、気候の回復性、地理空間AIアプリケーションのためのスケーラブルなフレームワーク、ベンチマークデータセット、最先端の結果に貢献している。

関連論文リスト

A Spatio-Temporal Deep Learning Approach For High-Resolution Gridded Monsoon Prediction [0.0]
インドモンスーン夏(英語: Indian Monsoon Summer、ISM)は、10億人を超える人々の農業、経済、水の安全に影響を及ぼす重要な気候現象である。伝統的な長距離予測は主に、地域レベルの管理に不可欠な空間的詳細を欠いた、空間的に平均的な季節的価値の予測に焦点が当てられている。本稿では,モンスーン予測を深部コンピュータビジョンタスクとして再編成する新しい学習フレームワークを提案する。予測のための85年間のERA5再解析データと目標のためのIMD降雨データを用いて、コンボリューショナルニューラルネットワーク(CNN)に基づくアーキテクチャを用いて、複雑なモンスーン時代からの詳細なマッピングを学習する。
論文参考訳（メタデータ） (2026-01-05T14:02:04Z)
IndiaWeatherBench: A Dataset and Benchmark for Data-Driven Regional Weather Forecasting over India [37.53463011903496]
IndiaWeatherBenchは、インド亜大陸に焦点を当てたデータ駆動地域天気予報のベンチマークである。私たちはUNets、Transformer、Graphベースのネットワークなど、さまざまなアーキテクチャのさまざまなモデルを実装し、評価します。アクセシビリティと今後の開発を促進するために、すべての生および前処理されたデータセット、モデル実装、パイプラインをオープンソースにしています。
論文参考訳（メタデータ） (2025-08-31T01:25:49Z)
ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
論文参考訳（メタデータ） (2025-04-10T02:22:23Z)
OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文参考訳（メタデータ） (2025-02-01T06:49:16Z)
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
論文参考訳（メタデータ） (2024-04-01T13:56:12Z)
Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NWP forecasts [1.517355052203938]
インド夏モンスーン(英語: Indian summer monsoon)は、インド亜大陸にまたがる10億人を超える人々に直接影響する、非常に複雑で重要な気象システムである。正確な短期予測は、モンスーンの固有の非線形性と、マルチスケールドライバに対する感度のために、大きな科学的課題である。本研究では,1日と3日の両方のリードタイムに着目し,夏期のインドにおける日降雨予測の問題に対処する。
論文参考訳（メタデータ） (2024-02-12T17:59:20Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文参考訳（メタデータ） (2022-11-20T06:46:35Z)
A Deep and Wide Neural Network-based Model for Rajasthan Summer Monsoon Rainfall (RSMR) Prediction [0.0]
インドのラジャスタン州における夏季モンスーン降雨予測のための様々な深層学習手法の分析と評価を行う。 IMDグリッドデータセットから、ラジャスタンの地理的境界内にある484座標の降雨データが選択されます。また,水資源部門から降雨量計158局の降雨データも収集した。
論文参考訳（メタデータ） (2021-03-03T03:42:45Z)
Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network [0.5735035463793008]
インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
論文参考訳（メタデータ） (2020-10-22T15:01:22Z)

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。