論文の概要: Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data

• arxiv url: http://arxiv.org/abs/2603.06782v1
• Date: Fri, 06 Mar 2026 18:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.107523
• Title: Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data
• Title（参考訳）: 物理インフォームド拡散モデルによる合成レア気象事象の生成
• Authors: Marawan Yakout, Tannistha Maiti, Monira Majhabeen, Tarry Singh,
• Abstract要約: 伝統的なデータ拡張技術は、まれなカテゴリー4等価事象に特徴的な物理的一貫性と高強度勾配を維持するのに失敗する。 極端気象事象の合成多スペクトル衛星画像を生成するために,Context-UNetアーキテクチャに基づく物理インフォームド拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data scarcity is a primary obstacle in developing robust Machine Learning (ML) models for detecting rapidly intensifying tropical cyclones. Traditional data augmentation techniques (rotation, flipping, brightness adjustment) fail to preserve the physical consistency and high-intensity gradients characteristic of rare Category 4-equivalent events, which constitute only 0.14\% of our dataset (202 of 140,514 samples). We propose a physics-informed diffusion model based on the Context-UNet architecture to generate synthetic, multi-spectral satellite imagery of extreme weather events. Our model is conditioned on critical atmospheric parameters such as average wind speed, type of Ocean and stage of development (early, mature, late etc) -- the known drivers of rapid intensification. Using a controlled pre-generated noise sampling strategy and mixed-precision training, we generated $16\times16$ wind-field samples that are cropped from multi-spectral satellite imagery which preserve realistic spatial autocorrelation and physical consistency. Results demonstrate that our model successfully learns discriminative features across ten distinct context classes, effectively mitigating the data bottleneck. Specifically, we address the extreme class imbalance in our dataset, where Class 4 (Ocean 2, early stage with average wind speed 50kn hurricane) contains only 202 samples compared to 79,768 samples in Class 0. This generative framework provides a scalable solution for augmenting training datasets for operational weather detection algorithms. The average Results yield an average Log-Spectral Distance (LSD) of 4.5dB, demonstrating a scalable framework for enhancing operational weather detection algorithms.
• Abstract（参考訳）: データ不足は、急速に強化された熱帯サイクロンを検出する堅牢な機械学習(ML)モデルを開発する上で、大きな障害となる。 従来のデータ拡張技術(回転、反転、明るさ調整)は、我々のデータセットのわずか0.14\%(140,514サンプル中202個)を構成するまれなカテゴリー4等価事象の物理的一貫性と高強度勾配を維持できない。 極端気象事象の合成多スペクトル衛星画像を生成するために,Context-UNetアーキテクチャに基づく物理インフォームド拡散モデルを提案する。 本モデルでは, 風速, 海洋タイプ, 発達段階 (初期, 成熟期, 後期など) など, 急激な拡大の要因として知られている重要な大気パラメータを定めている。 制御済みノイズサンプリング戦略と混合精度トレーニングを用いて,現実的な空間的自己相関と物理的整合性を保ったマルチスペクトル衛星画像から抽出した16\times16$の風場サンプルを生成した。 その結果、我々のモデルは10の異なるコンテキストクラスで識別的特徴をうまく学習し、データボトルネックを効果的に軽減することを示した。 具体的には,クラス4(平均風速50knハリケーンの初期段階)では,クラス0の79,768サンプルと比較して202サンプルしか含まれていない。 この生成フレームワークは、運用天気検知アルゴリズムのためのトレーニングデータセットを拡張するためのスケーラブルなソリューションを提供する。 平均的な結果から平均対数スペクトル距離(LSD)は4.5dBとなり、運用天気検知アルゴリズムの高度化のためのスケーラブルなフレームワークが実証された。

関連論文リスト

• Towards real-time assessment of infrasound event detection capability using deep learning-based transmission loss estimation [5.601176010173589]
  国際モニタリングシステムの性能評価には, 超音波透過損失の高精度なモデリングが不可欠である。 最先端の伝搬モデリングツールにより、大気モデルを用いて伝達損失を微細にシミュレートすることができる。 近年の研究では,伝達損失予測をほぼ瞬時に行うディープ・ラーニング・アルゴリズムを用いている。 本研究では, 風場と温度場をニューラルネットワークの入力として使用し, 最大130km, 4,000kmの距離をシミュレートした。
  論文  参考訳（メタデータ） (2025-06-03T09:49:12Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• 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)
• 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)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。