論文の概要: SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2510.07953v1
• Date: Thu, 09 Oct 2025 08:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.964638
• Title: SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation
• Title（参考訳）: SimCast: 短期的な知識蒸留による降水量削減
• Authors: Yifang Yin, Shengkai Chen, Yiyao Li, Lu Wang, Ruibing Jin, Wei Cui, Shili Xiang,
• Abstract要約: 正確な放送は、災害管理、農業、輸送、エネルギー最適化など、様々な社会的ニーズに対処する上で最も重要である。 我々は,短時間から長期の知識蒸留技術と重み付きMSE損失を併用し,豪雨地域を優先する新たな訓練パイプラインであるSimCastを提案する。 SimCastは、決定論的予測を生成するため、さらに拡散に基づくフレームワークCasCastに統合し、確率モデルからの強みを活用して、決定論的出力の曖昧さや分布シフトといった制限を克服する。
• 参考スコア（独自算出の注目度）: 15.244330283621247
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Precipitation nowcasting predicts future radar sequences based on current observations, which is a highly challenging task driven by the inherent complexity of the Earth system. Accurate nowcasting is of utmost importance for addressing various societal needs, including disaster management, agriculture, transportation, and energy optimization. As a complementary to existing non-autoregressive nowcasting approaches, we investigate the impact of prediction horizons on nowcasting models and propose SimCast, a novel training pipeline featuring a short-to-long term knowledge distillation technique coupled with a weighted MSE loss to prioritize heavy rainfall regions. Improved nowcasting predictions can be obtained without introducing additional overhead during inference. As SimCast generates deterministic predictions, we further integrate it into a diffusion-based framework named CasCast, leveraging the strengths from probabilistic models to overcome limitations such as blurriness and distribution shift in deterministic outputs. Extensive experimental results on three benchmark datasets validate the effectiveness of the proposed framework, achieving mean CSI scores of 0.452 on SEVIR, 0.474 on HKO-7, and 0.361 on MeteoNet, which outperforms existing approaches by a significant margin.
• Abstract（参考訳）: 降水は今、現在の観測に基づいて将来のレーダーシーケンスを予測する。 正確な放送は、災害管理、農業、交通、エネルギー最適化など、様々な社会的ニーズに対処する上で最も重要である。 既存の非自己回帰型流し込み手法の補完として, 予測地平線が流し込みモデルに与える影響を考察し, 短時間から長期の知識蒸留技術と重み付きMSE損失を併せ持つ訓練パイプラインであるSimCastを提案する。 推論中に追加のオーバーヘッドを導入することなく、改善された nowcasting 予測が得られる。 SimCastは、決定論的予測を生成するため、さらに拡散に基づくフレームワークCasCastに統合し、確率モデルからの強みを活用して、決定論的出力の曖昧さや分布シフトといった制限を克服する。 SEVIRでは平均CSIスコア0.452、HKO-7では0.474、MeteoNetでは0.361と、提案したフレームワークの有効性を検証した。

関連論文リスト

• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• Extreme Precipitation Nowcasting using Transformer-based Generative Models [9.497627628556875]
  本稿では,Transformer ベースの生成モデル,すなわち NowcastingGPT with Extreme Value Loss (EVL) regularization を用いることにより,極端降水量減少に対する革新的なアプローチを提案する。 固定された極端表現を仮定せずにEVLを計算するための新しい手法を導入し、極端気象事象を捉える際の現在のモデルの限界に対処する。 本稿では, 降水量の定性的および定量的な分析を行い, 正確な降水予測を生成する上で, 提案した NowcastingGPT-EVL の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-06T18:39:41Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
  降雨予測のための自己注意型拡張畳み込み機構を提案する。 実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。 提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
  論文  参考訳（メタデータ） (2022-01-31T18:16:03Z)
• Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
  本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。 我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。 Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
  論文  参考訳（メタデータ） (2021-04-02T09:29:03Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。