論文の概要: Precipitation nowcasting of satellite data using physically conditioned neural networks

• arxiv url: http://arxiv.org/abs/2511.05471v1
• Date: Fri, 07 Nov 2025 18:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.859791
• Title: Precipitation nowcasting of satellite data using physically conditioned neural networks
• Title（参考訳）: 物理条件付きニューラルネットワークを用いた衛星データの降水開始
• Authors: Antônio Catão, Melvin Poveda, Leonardo Voltarelli, Paulo Orenstein,
• Abstract要約: TUPANNは、GOES-16 RRQPEで訓練された衛星のみのモデルである。 予測を物理的に意味のある構成要素に分解する。 TUPANNは、ほとんどの設定でベストまたはセカンドベストのスキルを達成する。
• 参考スコア（独自算出の注目度）: 1.8468488572500306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term precipitation forecasts predominantly rely on dense weather-radar networks, limiting operational value in places most exposed to climate extremes. We present TUPANN (Transferable and Universal Physics-Aligned Nowcasting Network), a satellite-only model trained on GOES-16 RRQPE. Unlike most deep learning models for nowcasting, TUPANN decomposes the forecast into physically meaningful components: a variational encoder-decoder infers motion and intensity fields from recent imagery under optical-flow supervision, a lead-time-conditioned MaxViT evolves the latent state, and a differentiable advection operator reconstructs future frames. We evaluate TUPANN on both GOES-16 and IMERG data, in up to four distinct climates (Rio de Janeiro, Manaus, Miami, La Paz) at 10-180min lead times using the CSI and HSS metrics over 4-64 mm/h thresholds. Comparisons against optical-flow, deep learning and hybrid baselines show that TUPANN achieves the best or second-best skill in most settings, with pronounced gains at higher thresholds. Training on multiple cities further improves performance, while cross-city experiments show modest degradation and occasional gains for rare heavy-rain regimes. The model produces smooth, interpretable motion fields aligned with numerical optical flow and runs in near real time due to the low latency of GOES-16. These results indicate that physically aligned learning can provide nowcasts that are skillful, transferable and global.
• Abstract（参考訳）: 正確な短期降水予測は、主に密集した気象レーダーネットワークに依存しており、気候極端に最も露出した場所での運用価値を制限している。 本稿では、GOES-16 RRQPEで訓練された衛星のみのTUPANN(Transferable and Universal Physics-Aligned Nowcasting Network)を提案する。 変分エンコーダデコーダは、光フローの監督の下で最近の画像から動きと強度の場を推論し、リードタイム条件のMaxViTは潜伏状態を進化させ、微分可能な対流演算子は将来のフレームを再構成する。 我々は,GOES-16とIMERGのデータを用いて10-180minのリードタイムで最大4つの異なる気候(リオ・デ・ジャネイロ,マナウス,マイアミ,ラパス)でTUPANNを評価し,CSIとHSSの測定値を4-64 mm/hの閾値で測定した。 光フロー、深層学習、ハイブリッドベースラインと比較すると、TUPANNは、ほとんどの設定において最高の、または第二のベストスキルを達成し、より高い閾値での利得が顕著である。 複数の都市でのトレーニングはパフォーマンスをさらに向上させる一方、都市横断実験では、希少なヘビーライン体制において、緩やかな劣化と時々の利益が示される。 このモデルは,GOES-16の低レイテンシのため,数値光学的流れに沿った滑らかで解釈可能な運動場をほぼリアルタイムで生成する。 これらの結果は、物理的に整合した学習が、熟練し、伝達可能で、グローバルな放送を提供することを示す。

関連論文リスト

• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Four-hour thunderstorm nowcasting using deep diffusion models of satellite [21.216713066315204]
  我々は,AIを用いた対流流流速報システムを構築するために,ディープ拡散モデル衛星(DDMS)を提案する。 FengYun-4A衛星による長期試験と客観的検証において,本システムは4時間までの有効対流を初めて達成した。 我々のシステムは、地球対流放送のために複数の衛星と協調する可能性があるため、高度に転送可能である。
  論文  参考訳（メタデータ） (2024-04-16T12:33:44Z)
• Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data [0.0]
  この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。 このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。 その結果,降水運動の方向と強度の予測には高い精度が得られた。
  論文  参考訳（メタデータ） (2023-12-02T18:13:45Z)
• 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)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Real-time Tropical Cyclone Intensity Estimation by Handling Temporally Heterogeneous Satellite Data [33.528810128372704]
  本稿では,GAN(Generative Adversarial Network)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しいフレームワークを提案する。 実験結果から,ハイブリッドGAN-CNNフレームワークは最先端モデルに匹敵する精度を実現することが示された。
  論文  参考訳（メタデータ） (2020-10-28T13:40:07Z)

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。