論文の概要: A Comparison of Lightweight Deep Learning Models for Particulate-Matter Nowcasting in the Indian Subcontinent & Surrounding Regions

• arxiv url: http://arxiv.org/abs/2511.11185v1
• Date: Fri, 14 Nov 2025 11:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.562838
• Title: A Comparison of Lightweight Deep Learning Models for Particulate-Matter Nowcasting in the Indian Subcontinent & Surrounding Regions
• Title（参考訳）: インド亜大陸・周辺地域における粒子状マター流し込みのための軽量深層学習モデルの比較
• Authors: Ansh Kushwaha, Kaushik Gopalan,
• Abstract要約: 本論文は,Weather4Cast2025相補汚染課題の提出である。 PM$_1$、PM$_2.5$、PM$_10$をインド亜大陸とその周辺地域で6時間リードタイム・ナッシングするための効率的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper is a submission for the Weather4Cast~2025 complementary Pollution Task and presents an efficient framework for 6-hour lead-time nowcasting of PM$_1$, PM$_{2.5}$, and PM$_{10}$ across the Indian subcontinent and surrounding regions. The proposed approach leverages analysis fields from the Copernicus Atmosphere Monitoring Service (CAMS) Global Atmospheric Composition Forecasts at 0.4 degree resolution. A 256x256 spatial region, covering 28.4S-73.6N and 32E-134.0E, is used as the model input, while predictions are generated for the central 128x128 area spanning 2.8S-48N and 57.6E-108.4E, ensuring an India-centric forecast domain with sufficient synoptic-scale context. Models are trained on CAMS analyses from 2021-2023 using a shuffled 90/10 split and independently evaluated on 2024 data. Three lightweight parameter-specific architectures are developed to improve accuracy, minimize systematic bias, and enable rapid inference. Evaluation using RMSE, MAE, Bias, and SSIM demonstrates substantial performance gains over the Aurora foundation model, underscoring the effectiveness of compact & specialized deep learning models for short-range forecasts on limited spatial domains.
• Abstract（参考訳）: 本論文は,Weather4Cast~2025相補的汚染課題の提出であり,インド亜大陸および周辺地域のPM$_1$,PM$_{2.5}$,PM$_{10}$の6時間リードタイム放送のための効率的な枠組みを提示する。 提案手法は,コペルニクス大気モニタリングサービス(CAMS)の大気組成予測を0.4度で解析する。 28.4S-73.6Nと32E-134.0Eをカバーする256x256空間領域がモデル入力として使用され、2.8S-48Nと57.6E-108.4Eにまたがる中央128x128領域の予測が生成される。 モデルは、シャッフルした90/10スプリットを使用して、2021-2023年のCAMS分析に基づいて訓練され、2024データで独立に評価される。 3つの軽量パラメータ固有アーキテクチャは、精度を改善し、体系的バイアスを最小限に抑え、迅速な推論を可能にする。 RMSE, MAE, Bias, SSIM を用いた評価はオーロラ基礎モデルよりも顕著な性能向上を示し, 限られた空間領域における短距離予測のためのコンパクトで専門的なディープラーニングモデルの有効性を裏付けるものである。

関連論文リスト

• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
  この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。 予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
  論文  参考訳（メタデータ） (2023-10-02T23:09:59Z)
• 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)
• 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)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)

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。