論文の概要: PIANO: Physics-informed Dual Neural Operator for Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2512.01062v1
- Date: Sun, 30 Nov 2025 20:17:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.567778
- Title: PIANO: Physics-informed Dual Neural Operator for Precipitation Nowcasting
- Title（参考訳）: PIANO: 降水用物理インフォームドデュアルニューラル演算子
- Authors: Seokhyun Chin, Junghwan Park, Woojin Cho,
- Abstract要約: 物理制約付き衛星画像を用いた降水流速計を提案し,精度と物理的整合性を改善した。
我々は、新しい物理インフォームドデュアルニューラル演算子(PIANO)構造を用いて、トレーニング中の対流拡散の基本的な方程式を適用し、PINN損失を用いた衛星画像の予測を行う。
ベースラインモデルと比較して,提案モデルでは,短期重雨(8mm/h)とともに中程度(4mm/h)降水イベント予測が顕著に改善されている。
- 参考スコア（独自算出の注目度）: 4.172452087907703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precipitation nowcasting, key for early warning of disasters, currently relies on computationally expensive and restrictive methods that limit access to many countries. To overcome this challenge, we propose precipitation nowcasting using satellite imagery with physics constraints for improved accuracy and physical consistency. We use a novel physics-informed dual neural operator (PIANO) structure to enforce the fundamental equation of advection-diffusion during training to predict satellite imagery using a PINN loss. Then, we use a generative model to convert satellite images to radar images, which are used for precipitation nowcasting. Compared to baseline models, our proposed model shows a notable improvement in moderate (4mm/h) precipitation event prediction alongside short-term heavy (8mm/h) precipitation event prediction. It also demonstrates low seasonal variability in predictions, indicating robustness for generalization. This study suggests the potential of the PIANO and serves as a good baseline for physics-informed precipitation nowcasting.
- Abstract（参考訳）: 災害の早期警戒の鍵となる降水は今、多くの国へのアクセスを制限する計算コストが高く制限的な方法に依存している。
この課題を克服するために,物理制約付き衛星画像を用いた降水流速計を提案し,精度と物理的整合性を改善した。
我々は、新しい物理インフォームドデュアルニューラル演算子(PIANO)構造を用いて、トレーニング中の対流拡散の基本的な方程式を適用し、PINN損失を用いた衛星画像の予測を行う。
次に,衛星画像からレーダ画像への変換に生成モデルを用いる。
ベースラインモデルと比較して,提案モデルでは,短期重雨(8mm/h)とともに中程度(4mm/h)降水イベント予測が顕著に改善されている。
また、予測における季節変動の低さが示され、一般化の堅牢性を示している。
本研究は, PIANOの可能性を示唆し, 物理インフォームド降水流のベースラインとして有効であることを示す。
関連論文リスト
- A Space-Time Transformer for Precipitation Forecasting [38.87144329787491]
SaTformerは、衛星の放射光から極端な降水量を予測するビデオトランスフォーマーだ。
我々は降水量の回帰を分類問題に再構成し、ラベルの不均衡に対処するためにクラス重み付き損失を用いる。
私たちのモデルは、NeurIPS Weather4Cast 2025 Cumulative Rainfall Challengeで1位を獲得しました。
論文 参考訳（メタデータ） (2025-11-14T09:10:31Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - Leadsee-Precip: A Deep Learning Diagnostic Model for Precipitation [0.0]
本稿では,気象循環場から降水を生成するための地球規模の深層学習モデルであるPedsee-Precipを提案する。
このモデルは、降水量予測の課題に取り組むために、情報バランススキームを利用する。
Leadsee-Precipの降水量は観測値とより一致しており、地球規模の数値天気予報モデルと競合する性能を示している。
論文 参考訳（メタデータ） (2024-11-19T16:51:56Z) - Precipitation Nowcasting Using Physics Informed Discriminator Generative Models [9.497627628556875]
PySTEPSを含む最先端のモデルでは、予測不可能な分布パターンのため、極端な気象事象を正確に予測するのは難しい。
オランダ王立気象研究所の降水データと気象データを用いて降水流しを行う物理インフォームニューラルネットワークを設計する。
以上の結果から,PID-GANモデルは降水量で数値およびSOTA深部生成モデルよりも優れていた。
論文 参考訳（メタデータ） (2024-06-14T15:12:53Z) - 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) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution
and Transformer Networks [47.60320586459432]
ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。
ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-16T12:12:31Z) - 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) - Skilful Precipitation Nowcasting Using NowcastNet [0.0]
降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。
我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
論文 参考訳（メタデータ） (2023-11-29T11:24:52Z) - 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) - Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T05:42:27Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳（メタデータ） (2020-07-08T20:33:10Z)
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。