論文の概要: Volumetric Radar Echo Motion Estimation Using Physics-Informed Deep Learning: A Case Study Over Slovakia

• arxiv url: http://arxiv.org/abs/2603.13589v1
• Date: Fri, 13 Mar 2026 20:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.287305
• Title: Volumetric Radar Echo Motion Estimation Using Physics-Informed Deep Learning: A Case Study Over Slovakia
• Title（参考訳）: 物理インフォームドディープラーニングを用いたボリュームレーダエコー運動推定:スロバキアを事例として
• Authors: Peter Pavlík, Anna Bou Ezzeddine, Viera Rozinajová,
• Abstract要約: 複数の高度層に対して独立な水平運動場を推定する物理インフォームド畳み込みニューラルネットワークを提案する。 提案したモデルと,垂直プール型2次元レーダ複合材料を用いた構造的に同一のベースラインを比較検討した。 その結果, モデルが高度方向の運動場を学習することに成功したものの, 推定変位は垂直方向と高い相関関係があることが示唆された。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In precipitation nowcasting, most extrapolation-based methods rely on two-dimensional radar composites to estimate the horizontal motion of precipitation systems. However, in some cases, precipitation systems can exhibit varying motion at different heights. We propose a physics-informed convolutional neural network that estimates independent horizontal motion fields for multiple altitude layers directly from volumetric radar reflectivity data and investigate the practical benefits of altitude-wise motion field estimation for precipitation nowcasting. The model is trained end-to-end on volumetric observations from the Slovak radar network and its extrapolation nowcasting performance is evaluated. We compare the proposed model against an architecturally identical baseline operating on vertically pooled two-dimensional radar composites. Our results show that, although the model successfully learns altitude-wise motion fields, the estimated displacement is highly correlated across vertical levels for the vast majority of precipitation events. Consequently, the volumetric approach does not yield systematic improvements in nowcasting accuracy. While categorical metrics indicate increased precipitation detection at longer lead times, this gain is largely attributable to non-physical artifacts and is accompanied by a growing positive bias. A comprehensive inter-altitude motion field correlation analysis further confirms that events exhibiting meaningful vertical variability in horizontal motion are rare in the studied region. We conclude that, for the Slovak radar dataset, the additional complexity of three-dimensional motion field estimation is not justified by questionable gains in predictive skill. Nonetheless, the proposed framework remains applicable in climates where precipitation systems exhibit stronger vertical variability in horizontal motion.
• Abstract（参考訳）: 降水流速計では、ほとんどの外挿法は降水系の水平運動を推定するために2次元レーダー合成に頼っている。 しかし、場合によっては降水系は異なる高さで様々な動きを見せることができる。 本稿では,降水量レーダ反射率データから直接,複数の高度層に対して独立な水平運動場を推定する物理インフォームド畳み込みニューラルネットワークを提案する。 このモデルはスロバキアのレーダネットワークからの体積観測に基づいてエンドツーエンドに訓練され、その外挿放送性能を評価する。 提案したモデルと,垂直プール型2次元レーダ複合材料を用いた構造的に同一のベースラインを比較検討した。 その結果, モデルが高度運動場を学習することに成功したものの, 降雨イベントの大部分において, 推定変位は垂直レベル間で高い相関関係があることが示唆された。 したがって、ボリュームアプローチは、 nowcasting の精度を体系的に改善するものではない。 カテゴリー的指標は、より長い鉛時間で降水の検出が増加することを示しているが、この増加は非物理的アーティファクトに大きく寄与し、正のバイアスが増大する。 総合的な高度間運動場相関解析により,水平運動において有意な垂直変動を示す事象が研究領域で稀であることが確認された。 スロバキアのレーダデータセットでは,3次元運動場推定の複雑さが,予測技術における疑わしい利得によって正当化されるわけではないと結論付けている。 それにもかかわらず, 降水系が水平運動においてより強い垂直変動を示す気候においても, 提案手法は引き続き適用可能である。

関連論文リスト

• VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
  VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
  論文  参考訳（メタデータ） (2026-03-13T04:56:43Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• SRViT: Vision Transformers for Estimating Radar Reflectivity from Satellite Observations at Scale [0.7499722271664147]
  静止衛星画像から高分解能(3km)合成レーダ反射率場を大規模に生成するトランスフォーマーベースニューラルネットワークを提案する。 本研究は,アメリカ合衆国における気象事象の短期的対流予測の強化と数値天気予報のためのデータ同化の支援を目的とする。
  論文  参考訳（メタデータ） (2024-06-20T20:40:50Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Physics-informed inference of aerial animal movements from weather radar data [0.0]
  我々は、利用可能なレーダデータから移動パターンを再構築する問題に取り組む。 畳み込みデコーダは、推定潜在状態を既知のレーダー観測モデルを適用する物理空間にマッピングする。 合成レーダデータを用いた実験は, 復元品質とデータ効率の観点から有望な結果を示した。
  論文  参考訳（メタデータ） (2022-11-08T20:20:52Z)
• 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。