論文の概要: Nowcast3D: Reliable precipitation nowcasting via gray-box learning

• arxiv url: http://arxiv.org/abs/2511.04659v1
• Date: Thu, 06 Nov 2025 18:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.571666
• Title: Nowcast3D: Reliable precipitation nowcasting via gray-box learning
• Title（参考訳）: Nowcast3D:グレーボックス学習による信頼性の高い降水
• Authors: Huaguan Chen, Wei Han, Haofei Sun, Ning Lin, Xingtao Song, Yunfan Yang, Jie Tian, Yang Liu, Ji-Rong Wen, Xiaoye Zhang, Xueshun Shen, Hao Sun,
• Abstract要約: 極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
• 参考スコア（独自算出の注目度）: 43.74533335638689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme precipitation nowcasting demands high spatiotemporal fidelity and extended lead times, yet existing approaches remain limited. Numerical Weather Prediction (NWP) and its deep-learning emulations are too slow and coarse for rapidly evolving convection, while extrapolation and purely data-driven models suffer from error accumulation and excessive smoothing. Hybrid 2D radar-based methods discard crucial vertical information, preventing accurate reconstruction of height-dependent dynamics. We introduce a gray-box, fully three-dimensional nowcasting framework that directly processes volumetric radar reflectivity and couples physically constrained neural operators with datadriven learning. The model learns vertically varying 3D advection fields under a conservative advection operator, parameterizes spatially varying diffusion, and introduces a Brownian-motion--inspired stochastic term to represent unresolved motions. A residual branch captures small-scale convective initiation and microphysical variability, while a diffusion-based stochastic module estimates uncertainty. The framework achieves more accurate forecasts up to three-hour lead time across precipitation regimes and ranked first in 57\% of cases in a blind evaluation by 160 meteorologists. By restoring full 3D dynamics with physical consistency, it offers a scalable and robust pathway for skillful and reliable nowcasting of extreme precipitation.
• Abstract（参考訳）: 極端降水量は、時空間の忠実度とリードタイムの延長を要求するが、既存のアプローチは限られている。 数値気象予測(NWP)とそのディープラーニングエミュレーションは、急速に進化する対流に対してあまりに遅く、粗いが、外挿と純粋にデータ駆動モデルはエラーの蓄積と過度な平滑化に悩まされている。 ハイブリッド2Dレーダに基づく手法は重要な垂直情報を捨て、高度依存力学の正確な再構築を防ぐ。 データ駆動学習と物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全に3次元のガウキャスティングフレームワークを導入する。 モデルは、保守的対流演算子の下で垂直に変化する3次元対流場を学習し、空間的に変化する拡散をパラメータ化し、未解決運動を表すブラウン運動に着想を得た確率項を導入する。 残留枝は小さな対流開始と微小な物理的変動を捉え、拡散に基づく確率的加群は不確実性を推定する。 このフレームワークは、降水体制全体で最大3時間のリードタイムをより正確に予測し、160人の気象学者による盲目評価で57 %のケースで第1位にランクされた。 物理的に整合性のある完全な3Dダイナミックスを復元することで、高度で信頼性の高い降水量計のためのスケーラブルで堅牢な経路を提供する。

関連論文リスト

• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction [6.508732875368554]
  演算子学習と生成的モデリングを組み合わせることで、この制限を克服できることが示される。 乱流3次元等方性等方性の場合、Adv-NOは、1つの軌道予測から160の時間ステップで5回の渦転回を正確に訓練した。 高スパース粒子追跡速度計のような入力からシリンダーフローを再構成するために、条件生成フェーズは正確な統計量で完全な3次元速度と圧力場を推定する。
  論文  参考訳（メタデータ） (2025-09-10T16:42:22Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• 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)
• 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)

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。