論文の概要: FusionCast: Enhancing Precipitation Nowcasting with Asymmetric Cross-Modal Fusion and Future Radar Priors

• arxiv url: http://arxiv.org/abs/2603.13298v1
• Date: Mon, 02 Mar 2026 03:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.279397
• Title: FusionCast: Enhancing Precipitation Nowcasting with Asymmetric Cross-Modal Fusion and Future Radar Priors
• Title（参考訳）: FusionCast:非対称なクロスモーダル核融合と将来のレーダープリミティブによる降水抑制
• Authors: Henan Wang, Shengwu Xiong, Yifang Zhang, Wenjie Yin, Chen Zhou, Yuqiang Zhang, Pengfei Duan,
• Abstract要約: 本稿ではFusionCastと呼ばれる新しい降水量最適化フレームワークを提案する。 これは、地球航法衛星システム(GNSS)インバージョンから得られた歴史的沈降水蒸気(PWV)データ、歴史的レーダに基づく定量的降水量推定(QPE)の3種類のデータを含んでいる。 実験の結果,FusionCastは nowcasting 性能を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 17.839934984801882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has significantly improved the accuracy of precipitation nowcasting. However, most existing multimodal models typically use simple channel concatenation or interpolation methods for data fusion, which often overlook the feature differences between different modalities. This paper therefore proposes a novel precipitation nowcasting optimisation framework called FusionCast. This framework incorporates three types of data: historical precipitable water vapour (PWV) data derived from global navigation satellite system (GNSS) inversions, historical radar based quantitative precipitation estimation (QPE), and forecasted radar QPE serving as a future prior. The FusionCast model comprises two core modules: the future prior radar QPE processing Module, which forecasts future radar data; and the Radar PWV Fusion (RPF) module, which uses a gate mechanism to efficiently combine features from various sources. Experimental results show that FusionCast significantly improves nowcasting performance.
• Abstract（参考訳）: 深層学習は降水流の精度を大幅に向上させた。 しかし、既存のほとんどのマルチモーダルモデルは、通常、データ融合のための単純なチャネル結合または補間法を用いており、しばしば異なるモーダル間の特徴差を見落としている。 そこで本稿では,FusionCastと呼ばれる新しい降水量最適化フレームワークを提案する。 このフレームワークには,地球航法衛星システム(GNSS)のインバージョンから得られたPWVデータ,QPE(履歴レーダに基づく定量的降水量推定),予測レーダQPE(予測レーダQPE)の3種類のデータが含まれている。 FusionCastモデルは、将来のレーダデータを予測する将来のレーダQPE処理モジュールと、様々なソースの特徴を効率的に組み合わせるためにゲート機構を使用するRadar PWV Fusion (RPF)モジュールの2つのコアモジュールで構成されている。 実験の結果,FusionCastは nowcasting 性能を著しく向上させることがわかった。

関連論文リスト

• TS-Memory: Plug-and-Play Memory for Time Series Foundation Models [63.21390142212087]
  Time Series Foundation Models (TSFM) は大規模な事前訓練を通じて強力なゼロショット予測を実現する。 パラメトリック適応は破滅的な忘れを招き、非パラメトリック検索は予測を改善するが、データストア検索によってレイテンシが高くなる。 本稿では, TSFM を拡張した軽量メモリアダプタ TS-Memory としてParametric Memory Distillation を提案し,実装する。
  論文  参考訳（メタデータ） (2026-02-12T04:16:19Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
  我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。 LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。 LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
  論文  参考訳（メタデータ） (2025-06-10T19:17:14Z)
• From Swath to Full-Disc: Advancing Precipitation Retrieval with Multimodal Knowledge Expansion [11.443489040028645]
  Pre-Netは、正確な赤外線によるフルディスク降水検索を可能にすることを目的としている。 Pre-Netは、マルチモーダルデータ統合モデルからスキャニングスロー内の赤外線モデルに知識を転送する。 フルディスク適応の段階では、Self-MaskTuneはマルチモーダルとフルディスク赤外線知識のバランスをとることで、全ディスクにわたって予測を洗練する。
  論文  参考訳（メタデータ） (2025-06-08T09:15:46Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• GPTCast: a weather language model for precipitation nowcasting [0.0]
  GPTCastは、レーダベースの降雨をアンサンブルする深層学習法である。 我々は、トークン化レーダ画像を用いて降水動態を学習するために、GPTモデルを用いて予測を行う。
  論文  参考訳（メタデータ） (2024-07-02T09:25:58Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• MS-nowcasting: Operational Precipitation Nowcasting with Convolutional LSTMs at Microsoft Weather [1.7780828990105975]
  筆者らは,Microsoft Weather の運用型降水管理製品を活用した,エンコーダ・プリキャスト・畳み込み長短期記憶(LSTM)深層学習モデルを提案する。 このモデルは気象レーダーモザイクの連続を入力として、リードタイムで最大6時間、将来のレーダー反射率を決定論的に予測する。
  論文  参考訳（メタデータ） (2021-11-18T21:55:49Z)
• Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
  自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。 ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。 本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。 これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
  論文  参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。