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

• 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)
• 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)
• 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。