論文の概要: Global 3D Reconstruction of Clouds & Tropical Cyclones
- arxiv url: http://arxiv.org/abs/2511.04773v1
- Date: Thu, 06 Nov 2025 19:47:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-10 21:00:44.574191
- Title: Global 3D Reconstruction of Clouds & Tropical Cyclones
- Title（参考訳）: 雲と熱帯サイクロンのグローバル3次元再構成
- Authors: Shirin Ermis, Cesar Aybar, Lilli Freischem, Stella Girtsou, Kyriaki-Margarita Bintsi, Emiliano Diaz Salas-Porras, Michael Eisinger, William Jones, Anna Jungbluth, Benoit Tremblay,
- Abstract要約: 本稿では,2次元衛星画像から関連するクラウド特性の3次元クラウドマップへ変換する新しいフレームワークを提案する。
私たちは、初めて、グローバルな瞬間的な3Dクラウドマップを作成し、激しい嵐の3D構造を正確に再構築できることを示します。
- 参考スコア（独自算出の注目度）: 0.5523946315455222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate forecasting of tropical cyclones (TCs) remains challenging due to limited satellite observations probing TC structure and difficulties in resolving cloud properties involved in TC intensification. Recent research has demonstrated the capabilities of machine learning methods for 3D cloud reconstruction from satellite observations. However, existing approaches have been restricted to regions where TCs are uncommon, and are poorly validated for intense storms. We introduce a new framework, based on a pre-training--fine-tuning pipeline, that learns from multiple satellites with global coverage to translate 2D satellite imagery into 3D cloud maps of relevant cloud properties. We apply our model to a custom-built TC dataset to evaluate performance in the most challenging and relevant conditions. We show that we can - for the first time - create global instantaneous 3D cloud maps and accurately reconstruct the 3D structure of intense storms. Our model not only extends available satellite observations but also provides estimates when observations are missing entirely. This is crucial for advancing our understanding of TC intensification and improving forecasts.
- Abstract（参考訳）: 熱帯性サイクロン(TCs)の正確な予測は、TC構造を示す限られた衛星観測と、TCの強化に関わる雲の性質の解明が難しいため、依然として困難である。
近年,衛星観測による3次元雲再構成のための機械学習手法が実証されている。
しかし、既存のアプローチは、TCが一般的でない地域に限定されており、激しい嵐に対して不十分な検証がなされている。
我々は,複数の衛星からグローバルな範囲で学習し,2次元衛星画像から関連するクラウド特性の3次元クラウドマップへ変換する,トレーニング済みのファインチューニングパイプラインに基づく新しいフレームワークを提案する。
当社のモデルをカスタム構築されたTCデータセットに適用し、最も困難で関連する条件でパフォーマンスを評価する。
私たちは、初めて、グローバルな瞬間的な3Dクラウドマップを作成し、激しい嵐の3D構造を正確に再構築できることを示します。
我々のモデルは、利用可能な衛星観測の範囲を広げるだけでなく、観測が完全に欠落している場合の予測も提供する。
TCの強化に対する理解を深め、予測を改善するために、これは非常に重要です。
関連論文リスト
- Skillful Nowcasting of Convective Clouds With a Cascade Diffusion Model [16.57308701942378]
本稿では,衛星画像におけるクラウドフィールドの送信にカスケードアーキテクチャとマルチモーダル入力を利用する拡散モデルSATcastを紹介する。
SATcastは従来の手法よりも優れた精度とロバスト性を示している。
特にSATcastは、最大24時間予測スキルを維持しており、運用上の nowcasting アプリケーションの可能性を強調している。
論文 参考訳（メタデータ） (2025-02-16T02:29:13Z) - 3D Cloud reconstruction through geospatially-aware Masked Autoencoders [1.4124182346539256]
本研究では,MSG/SEVIRIの静止画像とCloudSat/CPRの雲面のレーダ反射率測定を利用して3次元雲構造を再構成する。
まず、自己教師あり学習法(SSL)の手法をMAE(Masked Autoencoders)とSatMAE(SatMAE)に応用し、マッチングした画像のペアにモデルを微調整する。
論文 参考訳（メタデータ） (2025-01-03T12:26:04Z) - Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。
この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。
我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
論文 参考訳（メタデータ） (2024-12-04T15:49:49Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse
Spatial-Temporal Guidance [71.3027345302485]
リアルタイムモノクル3D再構成は未解決の課題である。
視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。
SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
論文 参考訳（メタデータ） (2022-12-13T12:17:13Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。