論文の概要: A Review of End-to-End Precipitation Prediction Using Remote Sensing Data: from Divination to Machine Learning

• arxiv url: http://arxiv.org/abs/2510.22855v1
• Date: Sun, 26 Oct 2025 22:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.567059
• Title: A Review of End-to-End Precipitation Prediction Using Remote Sensing Data: from Divination to Machine Learning
• Title（参考訳）: リモートセンシングデータを用いたエンド・ツー・エンド降水予測のレビュー:ダイバーテーションから機械学習へ
• Authors: Yugong Zeng, Jonathan Wu,
• Abstract要約: 降水予測は、占いと観測に根ざした初期の象徴的・経験的な方法から、大気物理学と人工知能に基づく近代技術へと、大きな変化を遂げた。 このレビューは、古代の慣行、気象学の基礎、数値天気予報(NWP)の台頭、機械学習(ML)モデルとディープラーニング(DL)モデルの出現にまたがる降水予測技術の歴史的・技術的進化を辿る。
• 参考スコア（独自算出の注目度）: 0.692305735698369
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Precipitation prediction has undergone a profound transformation -- from early symbolic and empirical methods rooted in divination and observation, to modern technologies based on atmospheric physics and artificial intelligence. This review traces the historical and technological evolution of precipitation forecasting, presenting a survey about end-to-end precipitation prediction technologies that spans ancient practices, the foundations of meteorological science, the rise of numerical weather prediction (NWP), and the emergence of machine learning (ML) and deep learning (DL) models. We first explore traditional and indigenous forecasting methods, then describe the development of physical modeling and statistical frameworks that underpin contemporary operational forecasting. Particular emphasis is placed on recent advances in neural network-based approaches, including automated deep learning, interpretability-driven design, and hybrid physical-data models. By compositing research across multiple eras and paradigms, this review not only depicts the history of end-to-end precipitation prediction but also outlines future directions in next generation forecasting systems.
• Abstract（参考訳）: 降水予測は、占いと観測に根ざした初期の象徴的・経験的な方法から、大気物理学と人工知能に基づく近代技術へと、大きな変化を遂げた。 本稿では,気象学の基礎,数値気象予測(NWP)の台頭,機械学習(ML)モデルと深層学習(DL)モデルの台頭など,古代の慣行にまたがるエンドツーエンドの降水予測技術に関する調査を行った。 まず,従来的・土着的な予測手法について検討し,その上で,現代的運用予測の基盤となる物理モデリングと統計フレームワークの開発について述べる。 特に、自動ディープラーニング、解釈可能性駆動設計、ハイブリッド物理データモデルなど、ニューラルネットワークベースのアプローチの最近の進歩に重点を置いている。 複数の時代やパラダイムをまたいだ研究をまとめることで、このレビューは、エンドツーエンドの降水予測の歴史を描いているだけでなく、次世代の予測システムにおける今後の方向性を概説している。

関連論文リスト

• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Deep Learning and Foundation Models for Weather Prediction: A Survey [26.206143056332056]
  物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となっている。 深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析することができる。 本稿では,最近の気象予測のための深層学習モデルと基礎モデルについて述べる。
  論文  参考訳（メタデータ） (2025-01-12T19:27:51Z)
• Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting [4.5424061912112474]
  本稿では,ディープラーニングを用いた時系列降水予測モデルの最近の進歩を概観する。 予測モデルを,将来のフレームを予測するためのアプローチに基づいて,テキスト再帰戦略とテキスト多重戦略に分類する。 筆者らは,現在,降水予測のための深層学習モデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
  論文  参考訳（メタデータ） (2024-06-07T12:07:09Z)
• Interpretable Machine Learning for Weather and Climate Prediction: A Survey [24.028385794099435]
  気象予測に適用された現在の解釈可能な機械学習手法について概説する。 ツリーアンサンブルや説明可能なニューラルネットワークといったアーキテクチャを使って、スクラッチから本質的に解釈可能なモデルを設計する。 物理原理に沿ったより深い機械的解釈を達成するための研究課題について論じる。
  論文  参考訳（メタデータ） (2024-03-24T14:23:35Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。