論文の概要: A Storm-Centric 250 m NEXRAD Level-II Dataset for High-Resolution ML Nowcasting

• arxiv url: http://arxiv.org/abs/2510.16031v1
• Date: Wed, 15 Oct 2025 23:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.78775
• Title: A Storm-Centric 250 m NEXRAD Level-II Dataset for High-Resolution ML Nowcasting
• Title（参考訳）: 高分解能ML放送のための嵐中心型250mNEXRADレベルIIデータセット
• Authors: Andy Shi,
• Abstract要約: 我々はNEXRAD Level-IIとGridRad-Severeデータから得られたストーム中心レーダーデータセットStorm250-L2を紹介する。 我々はGridRad-Severe ストームトラックの周囲に固定された高解像度 (250 m) の窓をアルゴリズムでトリミングし、ネイティブの極地形状を保存し、タイルごとのスイープと擬似合成反射率生成物の時間的に一貫したシーケンスを提供する。 データセットは、米国大陸全体で数千の嵐イベントで構成され、リッチなコンテキストメタデータと再現可能なマニフェストを備えたHDF5テンソルにパッケージされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based precipitation nowcasting relies on high-fidelity radar reflectivity sequences to model the short-term evolution of convective storms. However, the development of models capable of predicting extreme weather has been constrained by the coarse resolution (1-2 km) of existing public radar datasets, such as SEVIR, HKO-7, and GridRad-Severe, which smooth the fine-scale structures essential for accurate forecasting. To address this gap, we introduce Storm250-L2, a storm-centric radar dataset derived from NEXRAD Level-II and GridRad-Severe data. We algorithmically crop a fixed, high-resolution (250 m) window around GridRad-Severe storm tracks, preserve the native polar geometry, and provide temporally consistent sequences of both per-tilt sweeps and a pseudo-composite reflectivity product. The dataset comprises thousands of storm events across the continental United States, packaged in HDF5 tensors with rich context metadata and reproducible manifests.
• Abstract（参考訳）: 機械学習に基づく降水は今、対流嵐の短期的な進化をモデル化するために、高忠実度レーダ反射率シーケンスに依存している。 しかし、極度の気象を予測できるモデルの開発は、SEVIR、HKO-7、GridRad-Severeといった既存の公共レーダーデータセットの粗い解像度(1-2 km)によって制限されている。 このギャップに対処するために、NEXRAD Level-IIとGridRad-Severeデータから派生したストーム中心レーダーデータセットStorm250-L2を導入する。 我々はGridRad-Severe ストームトラックの周囲に固定された高解像度 (250 m) の窓をアルゴリズムでトリミングし、ネイティブの極地形状を保存し、タイルごとのスイープと擬似合成反射率生成物の時間的に一貫したシーケンスを提供する。 データセットは、米国大陸全体で数千の嵐イベントで構成され、リッチなコンテキストメタデータと再現可能なマニフェストを備えたHDF5テンソルにパッケージされている。

関連論文リスト

• V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
  我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。 本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
  論文  参考訳（メタデータ） (2024-11-13T07:41:47Z)
• Rainfall regression from C-band Synthetic Aperture Radar using Multi-Task Generative Adversarial Networks [0.0]
  本稿では,SAR(Synthetic Aperture Radar)から1ピクセルあたり200mの空間分解能で降水速度を推定するデータ駆動手法を提案する。 完全なNEXRADアーカイブを利用して、Sentinel-1データとのコロケーションを検索する。 その結果,降雨量の推定精度が向上し,最大15m/sのシナリオに性能を拡張できることがわかった。
  論文  参考訳（メタデータ） (2024-11-05T20:06:50Z)
• 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)
• Transformer-based nowcasting of radar composites from satellite images for severe weather [45.0983299269404]
  衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。 厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。 このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
  論文  参考訳（メタデータ） (2023-10-30T13:17:38Z)
• 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)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• 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)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• 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。