論文の概要: RainSeer: Fine-Grained Rainfall Reconstruction via Physics-Guided Modeling

• arxiv url: http://arxiv.org/abs/2510.02414v1
• Date: Thu, 02 Oct 2025 13:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.09507
• Title: RainSeer: Fine-Grained Rainfall Reconstruction via Physics-Guided Modeling
• Title（参考訳）: RainSeer:物理誘導モデリングによる降雨の微粒化
• Authors: Lin Chen, Jun Chen, Minghui Qiu, Shuxin Zhong, Binghong Chen, Kaishun Wu,
• Abstract要約: RainSeerは、レーダー反射率を物理的に接地された構造的事前捕獲として再解釈する構造対応の再構築フレームワークである。 RainSeerは2つの基本的な課題に対処する: 高解像度のレーダーフィールドをスパースポイントワイドの降雨観測に変換し、アロフト・ハイドロ・メータと地上レベルの降水の間の物理的切断をブリッジする。 我々は,現状のベースラインに対する一貫した改善を観察し,MAEを13.31%以上削減し,再建された雨田における構造的忠実度を著しく向上させた。
• 参考スコア（独自算出の注目度）: 23.446919642417694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing high-resolution rainfall fields is essential for flood forecasting, hydrological modeling, and climate analysis. However, existing spatial interpolation methods-whether based on automatic weather station (AWS) measurements or enhanced with satellite/radar observations often over-smooth critical structures, failing to capture sharp transitions and localized extremes. We introduce RainSeer, a structure-aware reconstruction framework that reinterprets radar reflectivity as a physically grounded structural prior-capturing when, where, and how rain develops. This shift, however, introduces two fundamental challenges: (i) translating high-resolution volumetric radar fields into sparse point-wise rainfall observations, and (ii) bridging the physical disconnect between aloft hydro-meteors and ground-level precipitation. RainSeer addresses these through a physics-informed two-stage architecture: a Structure-to-Point Mapper performs spatial alignment by projecting mesoscale radar structures into localized ground-level rainfall, through a bidirectional mapping, and a Geo-Aware Rain Decoder captures the semantic transformation of hydro-meteors through descent, melting, and evaporation via a causal spatiotemporal attention mechanism. We evaluate RainSeer on two public datasets-RAIN-F (Korea, 2017-2019) and MeteoNet (France, 2016-2018)-and observe consistent improvements over state-of-the-art baselines, reducing MAE by over 13.31% and significantly enhancing structural fidelity in reconstructed rainfall fields.
• Abstract（参考訳）: 高分解能雨田の再建は,洪水予報,水文モデル,気候解析に不可欠である。 しかし、既存の空間補間手法は、自動気象観測所(AWS)の測定に基づいても、衛星/レーダー観測によって強化されたとしても、しばしば過度に滑らかな臨界構造であり、急激な遷移や局部的な極端を捉えられなかった。 レーダ反射率を物理的に基底とした構造的事前キャプチャーとして再解釈する構造認識型再構成フレームワークであるRainSeerを紹介した。 しかし、このシフトは2つの根本的な課題をもたらす。 一 高分解能音速レーダ場を細いポイントワイド降雨観測に変換すること、及び (II)アロフト・ハイドロ・メータと地上降水の間の物理的断線をブリッジする。 構造-点マップは、メソスケールのレーダー構造を局所的な地上レベルの降雨に投影し、双方向のマッピングを通して空間的アライメントを行い、Geo-Aware Rain Decoderは、降下、融解、蒸発によるハイドロメータのセマンティックトランスフォーメーションを観測する。 我々は、RainSeerを2つの公開データセット(韓国、2017-2019)とMeteoNet(フランス、2016-2018)で評価し、最先端のベースラインに対する一貫した改善を観察し、MAEを13.31%以上削減し、再建された雨田の構造的忠実度を大幅に向上させた。

関連論文リスト

• A Spatiotemporal Radar-Based Precipitation Model for Water Level Prediction and Flood Forecasting [0.9487148673655145]
  2017年7月、ゴスラー市とゴッティンゲン市は、わずか20分という短い警戒時間で激しい洪水に見舞われた。 これは、より信頼性が高くタイムリーな洪水予報システムの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-25T10:14:54Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• PAUNet: Precipitation Attention-based U-Net for rain prediction from satellite radiance data [0.0]
  本稿では,衛星放射データから降水を予測するディープラーニングアーキテクチャPAUNetを提案する。 PAUNetはU-NetとRes-Netの亜種であり、マルチバンド衛星画像の大規模コンテキスト情報を効果的にキャプチャするために設計された。 PAUNetは、ヨーロッパ各地のデータセットに基づいてトレーニングされており、ベースラインモデルよりも高い臨界成功指数(CSI)スコアで顕著な精度を示している。
  論文  参考訳（メタデータ） (2023-11-30T07:22:55Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Hierarchical Terrain Attention and Multi-Scale Rainfall Guidance For Flood Image Prediction [14.075721797920679]
  本稿では,階層的な地形空間の注意を取り入れた,精密な洪水地図予測のための新しい枠組みを提案する。 我々は, 発電機と判別器の双方に降雨回帰損失を付加監督として活用する。 我々の手法は降雨条件の異なる過去の技術を大きく上回っている。
  論文  参考訳（メタデータ） (2022-12-04T13:17:21Z)
• Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks [0.16067645574373132]
  NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。 本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。 我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
  論文  参考訳（メタデータ） (2022-07-15T08:05:41Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)

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。