論文の概要: Station2Radar: query conditioned gaussian splatting for precipitation field

• arxiv url: http://arxiv.org/abs/2603.00418v1
• Date: Sat, 28 Feb 2026 02:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.181478
• Title: Station2Radar: query conditioned gaussian splatting for precipitation field
• Title（参考訳）: Station2Radar: 降水場のためのクエリ条件付きガウススプラッティング
• Authors: Doyi Kim, Minseok Seo, Changick Kim,
• Abstract要約: 降水場を生成するために,衛星画像を用いた気象観測と自動観測を融合する枠組みを提案する。 従来の2Dガウススプラッティングとは異なり、QCGSはキュード降水領域のみを選択的にレンダリングする。 QCGSは、従来の格子状降水生成物と比較して、RMSEの50%以上の改善を示す。
• 参考スコア（独自算出の注目度）: 34.62382175419047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation forecasting relies on heterogeneous data. Weather radar is accurate, but coverage is geographically limited and costly to maintain. Weather stations provide accurate but sparse point measurements, while satellites offer dense, high-resolution coverage without direct rainfall retrieval. To overcome these limitations, we propose Query-Conditioned Gaussian Splatting (QCGS), the first framework to fuse automatic weather station (AWS) observations with satellite imagery for generating precipitation fields. Unlike conventional 2D Gaussian splatting, which renders the entire image plane, QCGS selectively renders only queried precipitation regions, avoiding unnecessary computation in non-precipitating areas while preserving sharp precipitation structures. The framework combines a radar point proposal network that identifies rainfall-support locations with an implicit neural representation (INR) network that predicts Gaussian parameters for each point. QCGS enables efficient, resolution-flexible precipitation field generation in real time. Through extensive evaluation with benchmark precipitation products, QCGS demonstrates over 50\% improvement in RMSE compared to conventional gridded precipitation products, and consistently maintains high performance across multiple spatiotemporal scales.
• Abstract（参考訳）: 降水予測は不均一なデータに依存する。 気象レーダーは正確だが、地理的に限られており、維持には費用がかかる。 気象観測所は正確な点を測るが、衛星は降雨を直接回収することなく、密集した高解像度の観測を行う。 これらの制約を克服するため,我々は,気象観測を衛星画像と融合させて降水場を生成する最初のフレームワークであるQCGS(Query-Conditioned Gaussian Splatting)を提案する。 画像平面全体を描画する従来の2Dガウススプラッティングとは異なり、QCGSは急激な降水構造を維持しながら、非降水領域での不要な計算を避けるために、キュード降水領域のみを選択的にレンダリングする。 このフレームワークは、降雨支援位置を識別するレーダポイント提案ネットワークと、各ポイントのガウスパラメータを予測する暗黙のニューラル表現(INR)ネットワークを組み合わせる。 QCGSは、効率的な解像度フレキシブル降水場をリアルタイムで生成できる。 QCGSは、ベンチマーク降水生成物による広範囲な評価を通じて、従来の格子式降水生成物と比較して、RMSEの50%以上の改善を示し、複数の時空間スケールで高い性能を維持している。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• Oya: Deep Learning for Accurate Global Precipitation Estimation [0.2621533844622817]
  本研究は、静止衛星(GEO)からの可視・赤外観測の全スペクトルを利用した、新しいリアルタイム降水探索アルゴリズムであるOyaを紹介する。 Oyaは2段階の深層学習アプローチを採用し、降水検知と量的降水推定(QPE)という2つのU-Netモデルを組み合わせて、雨と無雨のイベントの固有のデータ不均衡に対処している。
  論文  参考訳（メタデータ） (2025-11-13T18:01:08Z)
• 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)
• 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)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• 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)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• PAUNet: Precipitation Attention-based U-Net for rain prediction from satellite radiance data [0.0]
  本稿では,衛星放射データから降水を予測するディープラーニングアーキテクチャPAUNetを提案する。 PAUNetはU-NetとRes-Netの亜種であり、マルチバンド衛星画像の大規模コンテキスト情報を効果的にキャプチャするために設計された。 PAUNetは、ヨーロッパ各地のデータセットに基づいてトレーニングされており、ベースラインモデルよりも高い臨界成功指数(CSI)スコアで顕著な精度を示している。
  論文  参考訳（メタデータ） (2023-11-30T07:22:55Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks [0.16067645574373132]
  NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。 本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。 我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
  論文  参考訳（メタデータ） (2022-07-15T08:05:41Z)

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。