論文の概要: Rectifying Mean-Shift in Cascaded Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2511.17628v1
• Date: Wed, 19 Nov 2025 02:06:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.306878
• Title: Rectifying Mean-Shift in Cascaded Precipitation Nowcasting
• Title（参考訳）: キャッケード型降水流における平均シフトの定式化
• Authors: Fanbo Ju, Haiyuan Shi, Qingjian Ni,
• Abstract要約: RectiCastは、平均フィールドの修正を局所性の生成から明示的に分離するフレームワークである。 SEVIRとMeteoNetの実験では、RectiCastは既存の最先端メソッドよりも大幅なパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 1.1724961392643483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation nowcasting, which aims to provide high spatio-temporal resolution precipitation forecasts by leveraging current radar observations, is a core task in regional weather forecasting. The cascaded architecture has emerged as the mainstream paradigm for deep learning-based precipitation nowcasting. This paradigm involves a deterministic model to predict macroscopic trends (or posterior mean), followed by a probabilistic model to generate local details (or local stochasticity). However, existing methods commonly overlook the conflation of the systematic distribution shift in deterministic predictions and the local stochasticity. As a result, the deterministic component's distribution shift contaminates the predictions of the probabilistic component, leading to inaccuracies in precipitation patterns and intensity, particularly over longer lead times. To address this issue, we introduce RectiCast, a two-stage framework that explicitly decouples the correction of mean-field shift from the generation of local stochasticity via a dual Flow Matching model. In the first stage, a deterministic model generates the posterior mean. In the second stage, we introduce a Rectifier to explicitly learn the distribution shift and produce a rectified mean. Subsequently, a Generator focuses on modeling the local stochasticity conditioned on the rectified mean. Experiments on SEVIR and MeteoNet demonstrate that RectiCast achieves significant performance improvements over existing state-of-the-art methods.
• Abstract（参考訳）: 現在のレーダー観測を生かして高時空間分解能降水予測を提供することを目的とした降水流速報は、地域気象予報における中核的な課題である。 カスケードアーキテクチャは、ディープラーニングベースの降水流の主流パラダイムとして登場した。 このパラダイムには、マクロ的な傾向(または後進平均)を予測する決定論的モデルと、局所的な詳細(または局所確率性)を生成する確率論的モデルが含まれる。 しかし、既存の手法は、決定論的予測と局所確率性の体系的な分布シフトの融合を概ね見落としている。 その結果、決定論的成分の分布変化は確率的成分の予測を汚染し、降水パターンや強度、特に長い鉛時間で不正確な結果をもたらす。 この問題に対処するために,2段階のフレームワークであるRectiCastを導入する。これは,局所確率の生成から2つのフローマッチングモデルを通じて平均場シフトの補正を明示的に分離するものだ。 第1段階では、決定論的モデルが後部平均を生成する。 第2段階では、分布シフトを明示的に学習し、補正平均を生成するための整流器を導入する。 その後、ジェネレータは、補正平均に条件付けられた局所確率をモデル化することに集中する。 SEVIRとMeteoNetの実験では、RectiCastは既存の最先端メソッドよりも大幅なパフォーマンス向上を実現している。

関連論文リスト

• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• DEF: Diffusion-augmented Ensemble Forecasting [5.433548785820674]
  我々は、初期条件摂動を生成する新しいアプローチであるDEF(textbfulEnsemble textbfulForecasting)を提案する。 簡単な条件拡散モデルが有意な構造的摂動を生成できることを実証する。 このモデルでは,有意な予測分布を生成しながら,長期予測よりも誤りの蓄積が少ないことを示す。
  論文  参考訳（メタデータ） (2025-06-08T23:43:41Z)
• 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)
• 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)
• DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model [22.428737156882708]
  再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。 本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
  論文  参考訳（メタデータ） (2023-05-31T05:04:50Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。