論文の概要: TabGRU: An Enhanced Design for Urban Rainfall Intensity Estimation Using Commercial Microwave Links

• arxiv url: http://arxiv.org/abs/2512.02465v1
• Date: Tue, 02 Dec 2025 06:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.752457
• Title: TabGRU: An Enhanced Design for Urban Rainfall Intensity Estimation Using Commercial Microwave Links
• Title（参考訳）: TabGRU:商用マイクロ波リンクを用いた都市降雨強度推定のための拡張設計
• Authors: Xingwang Li, Mengyun Chen, Jiamou Liu, Sijie Wang, Shuanggen Jin, Jafet C. M. Andersson, Jonas Olsson, Remco, van de Beek, Hai Victor Habi, Congzheng Han,
• Abstract要約: 本稿では,トランスフォーマと双方向Gated Recurrent Unit(BiGRU)に基づくハイブリッドディープラーニングアーキテクチャを提案する。 このモデルはスウェーデンのGothenburgの公開ベンチマークデータセットで検証された。
• 参考スコア（独自算出の注目度）: 21.629452553604512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the face of accelerating global urbanization and the increasing frequency of extreme weather events, highresolution urban rainfall monitoring is crucial for building resilient smart cities. Commercial Microwave Links (CMLs) are an emerging data source with great potential for this task.While traditional rainfall retrieval from CMLs relies on physicsbased models, these often struggle with real-world complexities like signal noise and nonlinear attenuation. To address these limitations, this paper proposes a novel hybrid deep learning architecture based on the Transformer and a Bidirectional Gated Recurrent Unit (BiGRU), which we name TabGRU. This design synergistically captures both long-term dependencies and local sequential features in the CML signal data. The model is further enhanced by a learnable positional embedding and an attention pooling mechanism to improve its dynamic feature extraction and generalization capabilities. The model was validated on a public benchmark dataset from Gothenburg, Sweden (June-September 2015). The evaluation used 12 sub-links from two rain gauges (Torp and Barl) over a test period (August 22-31) covering approximately 10 distinct rainfall events. The proposed TabGRU model demonstrated consistent advantages, outperforming deep learning baselines and achieving high coefficients of determination (R2) at both the Torp site (0.91) and the Barl site (0.96). Furthermore, compared to the physics-based approach, TabGRU maintained higher accuracy and was particularly effective in mitigating the significant overestimation problem observed in the PL model during peak rainfall events. This evaluation confirms that the TabGRU model can effectively overcome the limitations of traditional methods, providing a robust and accurate solution for CML-based urban rainfall monitoring under the tested conditions.
• Abstract（参考訳）: 都市化の加速と極端な気象現象の発生頻度の増大に直面して、高解像度の都市降雨モニタリングは、回復力のあるスマートシティの構築に不可欠である。 CML(Commercial Microwave Links, 商用マイクロ波リンク)は, 従来の降水量検索は物理モデルに依存していたが, 信号ノイズや非線形減衰といった実世界の複雑さに悩まされることが多い。 そこで本稿では,Transformer と Bidirectional Gated Recurrent Unit (BiGRU) に基づくハイブリッドディープラーニングアーキテクチャを提案する。 この設計は、CML信号データにおける長期的な依存関係と局所的なシーケンシャルな特徴の両方を相乗的にキャプチャする。 このモデルは、学習可能な位置埋め込みと、ダイナミックな特徴抽出と一般化機能を改善するためにアテンションプーリング機構によってさらに強化される。 このモデルは、スウェーデンのGothenburg(2015年6月から9月)の公開ベンチマークデータセットで検証された。 この評価では、約10の異なる降雨イベントをカバーするテスト期間(8月22-31日)において、2つの雨量計(トルプとバール)から12のサブリンクを使用した。 提案したTabGRUモデルでは,Torpサイト (0.91) と Barl サイト (0.96) の両方において,ディープラーニングベースラインを上回り,高い判定係数を達成するという一貫した優位性を示した。 さらに, 物理に基づくアプローチと比較して, TabGRUは高い精度を維持し, ピーク降雨時のPLモデルで観測された重要な過大評価問題を緩和するのに特に有効であった。 この評価により,TabGRUモデルが従来の手法の限界を効果的に克服し,テスト条件下でのCMLによる都市降雨モニタリングの堅牢かつ正確なソリューションを提供することを確認した。

関連論文リスト

• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• TopoFormer: Integrating Transformers and ConvLSTMs for Coastal Topography Prediction [0.0]
  textitTopoFormerは、変換器ベースのエンコーダと畳み込みの長い短期記憶層を統合する。 このアーキテクチャは、ビーチプロファイルデータに固有の長距離依存関係と局所化された時間パターンの両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-01-11T09:46:02Z)
• 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)
• 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)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia [0.0]
  バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。 高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。 本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-26T13:24:01Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

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。