論文の概要: ByteStorm: a multi-step data-driven approach for Tropical Cyclones detection and tracking

• arxiv url: http://arxiv.org/abs/2512.07885v1
• Date: Fri, 28 Nov 2025 08:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.551299
• Title: ByteStorm: a multi-step data-driven approach for Tropical Cyclones detection and tracking
• Title（参考訳）: ByteStorm: 熱帯サイクロンの検出と追跡のための多段階のデータ駆動型アプローチ
• Authors: Davide Donno, Donatello Elia, Gabriele Accarino, Marco De Carlo, Enrico Scoccimarro, Silvio Gualdi,
• Abstract要約: 我々は、閾値調整なしで熱帯性サイクロントラックを再構築するための効率的なデータ駆動フレームワークByteStormを提案する。 ByteStorm は東太平洋と西太平洋の流域における最先端の決定論的トラッカーに対して評価されている。 結果は、高速で正確なTC追跡のためにディープラーニングとコンピュータビジョンを統合する可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate tropical cyclones (TCs) tracking represents a critical challenge in the context of weather and climate science. Traditional tracking schemes mainly rely on subjective thresholds, which may introduce biases in their skills on the geographical region of application. We present ByteStorm, an efficient data-driven framework for reconstructing TC tracks without threshold tuning. It leverages deep learning networks to detect TC centers (via classification and localization), using only relative vorticity (850 mb) and mean sea-level pressure. Then, detected centers are linked into TC tracks through the BYTE algorithm. ByteStorm is evaluated against state-of-the-art deterministic trackers in the East- and West-North Pacific basins (ENP and WNP). The proposed framework achieves superior performance in terms of Probability of Detection ($85.05\%$ ENP, $79.48\%$ WNP), False Alarm Rate ($23.26\%$ ENP, $16.14\%$ WNP), and high Inter-Annual Variability correlations ($0.75$ ENP and $0.69$ WNP). These results highlight the potential of integrating deep learning and computer vision for fast and accurate TC tracking, offering a robust alternative to traditional approaches.
• Abstract（参考訳）: 正確な熱帯サイクロン(TCs)の追跡は、気象と気候科学の文脈において重要な課題である。 従来の追跡手法は主に主観的閾値に依存しており、アプリケーションの地理的領域における彼らのスキルにバイアスをもたらす可能性がある。 我々は、閾値調整なしでTCトラックを再構築する効率的なデータ駆動フレームワークByteStormを提案する。 ディープラーニングネットワークを活用して(分類とローカライゼーションによる)TCセンターを検出し、相対渦率(850 mb)と平均海面圧力を用いている。 そして、検出されたセンターをBYTEアルゴリズムを介してTCトラックにリンクする。 ByteStormは、東太平洋と西太平洋の流域(ENPとWNP)における最先端の決定論的トラッカーに対して評価される。 提案手法は,検出確率(85.05 %= ENP,79.48 %= WNP),False Alarm Rate(23.26 %: ENP,16.14 %: WNP),高年内変動相関(0.75 ドル: ENP,0.69 ドル: WNP)の観点から,優れた性能を実現する。 これらの結果は、高速で正確なTCトラッキングのためのディープラーニングとコンピュータビジョンの統合の可能性を強調し、従来のアプローチに代わる堅牢な代替手段を提供する。

関連論文リスト

• Finding the Muses: Identifying Coresets through Loss Trajectories [7.293244528299574]
  Loss Trajectory correlation (LTC)は、コアセット選択のための新しいメトリクスであり、一般化を駆動する重要なトレーニングサンプルを特定する。 $LTC$は、最先端のコアセット選択メソッドに匹敵する精度を一貫して達成します。 また、一致した振る舞いや矛盾するサンプルの振る舞いを識別するなど、トレーニングダイナミクスに関する洞察も提供する。
  論文  参考訳（メタデータ） (2025-03-12T18:11:16Z)
• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• Dense Optical Tracking: Connecting the Dots [82.79642869586587]
  DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:59:59Z)
• TROPHY: A Topologically Robust Physics-Informed Tracking Framework for Tropical Cyclones [4.650202794545353]
  本稿では,熱帯サイクロン追跡のためのトポロジカル・ロバストな物理インフォームト・トラッキング・フレームワーク(TROPHY)を提案する。 プリプロセッシングにおいて,短寿命で安定性の低い臨界点の90%をフィルタする物理インフォームド特徴選択法を提案する。 TROPHYをERA5の再解析データから30年間の2次元風洞に適用し,多数のTCトラックを生成する。
  論文  参考訳（メタデータ） (2023-07-28T00:44:55Z)
• An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data [0.0]
  熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。 伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。 本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T22:26:50Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• MeerCRAB: MeerLICHT Classification of Real and Bogus Transients using Deep Learning [0.0]
  本論文では,$textttMeerCRAB$という畳み込みニューラルネットワークアーキテクチャに基づくディープラーニングパイプラインを提案する。 MeerLICHT望遠鏡の過渡検出パイプラインで、真の天体物理源からいわゆる「ボグ」検出をフィルタリングするように設計されています。
  論文  参考訳（メタデータ） (2021-04-28T18:12:51Z)
• Non-recurrent Traffic Congestion Detection with a Coupled Scalable Bayesian Robust Tensor Factorization Model [5.141309607968161]
  非リカレント交通渋滞(NRTC)は通常、通勤者に予期せぬ遅れをもたらす。 NRTCをリアルタイムに正確に検出し、認識することが重要である。
  論文  参考訳（メタデータ） (2020-05-10T03:58:18Z)

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。