論文の概要: FujiView: Multimodal Late-Fusion for Predicting Scenic Visibility

• arxiv url: http://arxiv.org/abs/2603.00157v1
• Date: Wed, 25 Feb 2026 19:53:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.066415
• Title: FujiView: Multimodal Late-Fusion for Predicting Scenic Visibility
• Title（参考訳）: FujiView: 景観の可視性を予測するマルチモーダルレイトフュージョン
• Authors: Bryceton Bible, Shah Md Nehal Hasnaeen, Hairong Qi,
• Abstract要約: 本稿では,Webカメラ画像と気象データとを融合させて景観の可視性を予測するためのフレームワークとデータセットを提案する。 我々のレイトフュージョンアプローチは、画像由来のクラス確率と数値的な気象特徴を組み合わせることで、視界を5つのカテゴリに分類する。 データセットは現在、富士山周辺の40台以上のカメラから、同時かつ予測された気象条件と組み合わせて10万枚以上のウェブカメラ画像で構成されている。
• 参考スコア（独自算出の注目度）: 2.8019744694531554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visibility of natural landmarks such as Mount Fuji is a defining factor in both tourism planning and visitor experience, yet it remains difficult to predict due to rapidly changing atmospheric conditions. We present FujiView, a multimodal learning framework and dataset for predicting scenic visibility by fusing webcam imagery with structured meteorological data. Our late-fusion approach combines image-derived class probabilities with numerical weather features to classify visibility into five categories. The dataset currently comprises over 100,000 webcam images paired with concurrent and forecasted weather conditions from more than 40 cameras around Mount Fuji, and continues to expand; it will be released to support further research in environmental forecasting. Experiments show that YOLO-based vision features dominate short-term horizons such as "nowcasting" and "samedaycasting", while weather-driven forecasts increasingly take over as the primary predictive signal beyond $+1$d. Late fusion consistently yields the highest overall accuracy, achieving ACC of approx 0.89 for same-day prediction and up to 84% for next-day forecasts. These results position Scenic Visibility Forecasting (SVF) as a new benchmark task for multimodal learning.
• Abstract（参考訳）: 富士山のような自然のランドマークの視認性は、観光計画と来訪者体験の両方において決定的な要素であるが、大気条件の急激な変化により予測が困難である。 我々は,Webカメラ画像と気象データとを融合させることで,景観の可視性を予測するためのマルチモーダル学習フレームワークとデータセットであるFujiViewを提案する。 我々のレイトフュージョンアプローチは、画像由来のクラス確率と数値的な気象特徴を組み合わせることで、視界を5つのカテゴリに分類する。 現在10万枚以上のウェブカメラ画像と、富士山周辺の40台以上のカメラからの同時および予報気象条件を組み合わせ、拡大を続けており、環境予測のさらなる研究を支援するためにリリースされる予定だ。 実験によると、YOLOをベースとした視覚機能は「ノウキャスティング」や「サマデーキャスティング」のような短期的な地平線を支配している。 後期核融合の精度は一貫して最高であり、同日予測では0.89、翌日予測では84%に達する。 これらの結果から,Scienic Visibility Forecasting (SVF) をマルチモーダル学習のための新しいベンチマークタスクとして位置づけた。

関連論文リスト

• PeakWeather: MeteoSwiss Weather Station Measurements for Spatiotemporal Deep Learning [19.620793566349185]
  PeakWeatherを紹介します。これは8年以上にわたって10分毎に収集された、高品質な表面気象観測データセットです。 データセットには、スイスの複雑な地形に分布する302のステーション位置から、さまざまな気象変数が含まれている。 PeakWeatherは、基礎的な機械学習研究、気象学、センサーベースのアプリケーションの両方を前進させるために、現実世界のベンチマークとして機能する。
  論文  参考訳（メタデータ） (2025-06-16T16:16:42Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• FuXi-2.0: Advancing machine learning weather forecasting model for practical applications [11.50902060124504]
  FuXi-2.0は先進的な機械学習モデルであり、1時間の世界的な天気予報を配信し、気象変数の包括的なセットを含む。 FuXi-2.0は、風力や太陽エネルギー、航空、海運などに関連する重要な気象変数を予測するために、ECMWF HRESを一貫して上回っている。 FuXi-2.0 は大気と海洋の両方を統合しており、大気と海洋を結合したモデルの開発において大きな前進を示している。
  論文  参考訳（メタデータ） (2024-09-11T11:21:00Z)
• FuXi Weather: A data-to-forecast machine learning system for global weather [13.052716094161886]
  FuXi Weatherは、複数の衛星のデータと類似した機械学習の天気予報システムである。 FuXi 気象は、中央アフリカなどの観測圏において、ECMWF HRES を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-08-10T07:42:01Z)
• Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
  本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。 このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
  論文  参考訳（メタデータ） (2024-06-07T09:01:25Z)
• 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)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Photographic Visualization of Weather Forecasts with Generative Adversarial Networks [11.021099579849079]
  本研究では,将来的な気象状況の可視化に写真画像を用いた新しい手法を提案する。 数値気象予測(NWP)モデルの解析と予測状態に基づいて、ジェネレータネットワークは、現在のカメライメージを未来へと変換する。 実写画像と実写画像とを区別することが困難であることを示し、ランダムに推測した場合よりも性能が良くないことを示す。
  論文  参考訳（メタデータ） (2022-03-29T14:10:29Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。