論文の概要: Computationally-efficient deep learning models for nowcasting of precipitation: A solution for the Weather4cast 2025 challenge

• arxiv url: http://arxiv.org/abs/2511.11197v1
• Date: Fri, 14 Nov 2025 11:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.56502
• Title: Computationally-efficient deep learning models for nowcasting of precipitation: A solution for the Weather4cast 2025 challenge
• Title（参考訳）: 降水量予測のための計算効率の良いディープラーニングモデル:Weather4cast 2025の課題に対する解法
• Authors: Anushree Bhuskute, Kaushik Gopalan, Jeet Shah,
• Abstract要約: 本研究では,ConGvRI(Conal Gated Recurrent Units)をベースとした,気象4Cast 2025コンペティションにおける短期降雨予測のためのトランスファーラーニングフレームワークを提案する。 入力には1つのSEVIRI赤外チャネル(10.8m波長)が使用され、これは1時間に4回観測される。 2段階のトレーニング戦略を適用し、最大4時間前に降雨予測を生成する。
• 参考スコア（独自算出の注目度）: 0.01668373953103421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a transfer-learning framework based on Convolutional Gated Recurrent Units (ConvGRU) for short-term rainfall prediction in the Weather4Cast 2025 competition. A single SEVIRI infrared channel (10.8 μm wavelength) is used as input, which consists of four observations over a one-hour period. A two-stage training strategy is applied to generate rainfall estimates up to four hours ahead. In the first stage, ConvGRU is trained to forecast the brightness temperatures from SEVIRI, enabling the model to capture relevant spatiotemporal patterns. In the second stage, an empirically derived nonlinear transformation maps the predicted fields to OPERA-compatible rainfall rates. For the event-prediction task, the transformed rainfall forecasts are processed using 3D event detection followed by spatiotemporal feature extraction to identify and characterize precipitation events. Our submission achieved 2nd place in the cumulative rainfall task. Further, the same model was used out-of-the-box for the event prediction task, and resulted in similar scores as the baseline model to the competition.
• Abstract（参考訳）: 本研究では,コンボリューショナル・ゲーテッド・リカレント・ユニット(ConvGRU)をベースとした,気象4Cast 2025コンペティションにおける短期降雨予測のためのトランスファーラーニングフレームワークを提案する。 入力には単一のSEVIRI赤外チャネル(10.8μm波長)が使用され、これは1時間に4回観測される。 2段階のトレーニング戦略を適用し、最大4時間前に降雨予測を生成する。 最初の段階では、ConvGRUはSEVIRIから輝度温度を予測できるように訓練され、関連する時空間パターンを捉えることができる。 第2段階では、経験的に導出された非線形変換は、予測されたフィールドをOPERA互換の降雨速度にマッピングする。 イベント予測タスクでは、3次元のイベント検出と時空間の特徴抽出を用いて、変換された降雨予測を処理し、降水イベントを特定し、特徴付ける。 我々の降雨量は累積降雨量で2位となった。 さらに、イベント予測タスクでは、同じモデルが最初から使用されており、結果として、競合に対するベースラインモデルと同様のスコアが得られた。

関連論文リスト

• A conditional Generative Adversarial network model for the Weather4Cast 2024 Challenge [0.0]
  本研究では, 深層学習の降雨予測への応用について検討し, スピニング強化可視・赤外画像装置(SEVIRI)を用いて検討した。 我々は4つの赤外線周波数チャネルの平均を入力として、高密度光流アルゴリズムを用いて4時間後に放射像を予測する。 予測放射画像を4時間の予測期間に集約した降雨画像に変換し、累積降雨値を生成するために、条件付き生成逆ネットワーク(GAN)モデルを用いる。
  論文  参考訳（メタデータ） (2024-11-30T11:56:20Z)
• GPTCast: a weather language model for precipitation nowcasting [0.0]
  GPTCastは、レーダベースの降雨をアンサンブルする深層学習法である。 我々は、トークン化レーダ画像を用いて降水動態を学習するために、GPTモデルを用いて予測を行う。
  論文  参考訳（メタデータ） (2024-07-02T09:25:58Z)
• Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
  本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。 この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
  論文  参考訳（メタデータ） (2024-04-01T13:56:12Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [7.610811907813171]
  天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。 時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
  論文  参考訳（メタデータ） (2023-04-18T06:25:11Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。