論文の概要: MAUNet-Light: A Concise MAUNet Architecture for Bias Correction and Downscaling of Precipitation Estimates

• arxiv url: http://arxiv.org/abs/2602.12980v1
• Date: Fri, 13 Feb 2026 14:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.99167
• Title: MAUNet-Light: A Concise MAUNet Architecture for Bias Correction and Downscaling of Precipitation Estimates
• Title（参考訳）: MAUNet-Light: バイアス補正と降水量のダウンスケーリングのための簡潔なMAUNetアーキテクチャ
• Authors: Sumanta Chandra Mishra Sharma, Adway Mitra, Auroop Ratan Ganguly,
• Abstract要約: 本研究は, 偏差補正と降水ダウンスケーリングのための軽量ニューラルネットワークアーキテクチャの開発を目的とする。 提案するMAUNet-Lightモデルは,訓練されたMAUNetから知識を伝達することによって開発された。
• 参考スコア（独自算出の注目度）: 0.47248250311484113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite-derived data products and climate model simulations of geophysical variables like precipitation, often exhibit systematic biases compared to in-situ measurements. Bias correction and spatial downscaling are fundamental components to develop operational weather forecast systems, as they seek to improve the consistency between coarse-resolution climate model simulations or satellite-based estimates and ground-based observations. In recent years, deep learning-based models have been increasingly replaced traditional statistical methods to generate high-resolution, bias free projections of climate variables. For example, Max-Average U-Net (MAUNet) architecture has been demonstrated for its ability to downscale precipitation estimates. The versatility and adaptability of these neural models make them highly effective across a range of applications, though this often come at the cost of high computational and memory requirements. The aim of this research is to develop light-weight neural network architectures for both bias correction and downscaling of precipitation, for which the teacher-student based learning paradigm is explored. This research demonstrates the adaptability of MAUNet to the task of bias correction, and further introduces a compact, lightweight neural network architecture termed MAUNet-Light.The proposed MAUNet-Light model is developed by transferring knowledge from the trained MAUNet, and it is designed to perform both downscaling and bias correction with reduced computational requirements without any significant loss in accuracy compared to state-of-the-art.
• Abstract（参考訳）: 衛星由来のデータ生成物と降水のような物理変数の気候モデルシミュレーションは、しばしばその場での観測と比較して体系的なバイアスを示す。 バイアス補正と空間縮小は、粗大分解能気候モデルシミュレーションと衛星ベースの推定と地上観測との整合性を改善するため、運用天気予報システムを開発するための基本的な要素である。 近年、深層学習に基づくモデルは、高解像度で偏りのない気候変数の予測を生成するために、従来の統計手法に置き換わる傾向が強まっている。 例えば、最大平均U-Net(MAUNet)アーキテクチャは、降水量推定をダウンスケールする能力について実証されている。 これらのニューラルモデルの汎用性と適応性は、様々なアプリケーションにまたがって非常に効果的であるが、高い計算とメモリ要求のコストがかかることが多い。 本研究の目的は,教師-学生による学習パラダイムを探求する,偏差補正と降水ダウンスケーリングの両方のための軽量ニューラルネットワークアーキテクチャを開発することである。 本研究は、MAUNetのバイアス補正タスクへの適応性を実証し、さらに、MAUNet-Lightと呼ばれるコンパクトで軽量なニューラルネットワークアーキテクチャを導入し、提案したMAUNet-Lightモデルは、訓練されたMAUNetから知識を伝達することによって開発され、最先端技術と比較して精度が著しく低下することなく、ダウンスケーリングとバイアス補正の両方を実行するように設計されている。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)

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。