論文の概要: CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles
- arxiv url: http://arxiv.org/abs/2604.08772v1
- Date: Thu, 09 Apr 2026 21:16:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.585476
- Title: CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles
- Title（参考訳）: CERBERUS: 垂直クラウドプロファイルのための3重デコーダ
- Authors: Emily K. deJong, Nipun Gunawardena, Kevin Smalley, Hassan Beydoun, Peter Caldwell,
- Abstract要約: 大気雲は複雑な3次元構造と微視的詳細を示す。
このミスマッチは、気象モデルと気候モデルにおけるデータ駆動学習とクラウドプロセスの評価を複雑にする。
本稿では,垂直レーダー反射率プロファイルを生成するための確率的推論フレームワークであるCERBERUSを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric clouds exhibit complex three-dimensional structure and microphysical details that are poorly constrained by the predominantly two-dimensional satellite observations available at global scales. This mismatch complicates data-driven learning and evaluation of cloud processes in weather and climate models, contributing to ongoing uncertainty in atmospheric physics. We introduce CERBERUS, a probabilistic inference framework for generating vertical radar reflectivity profiles from geostationary satellite brightness temperatures, near-surface meteorological variables, and temporal context. CERBERUS employs a three-headed encoder-decoder architecture to predict a zero-inflated (ZI) vertically-resolved distribution of radar reflectivity. Trained and evaluated using ground-based Ka-band radar observations at the ARM Southern Great Plains site, CERBERUS recovers coherent structures across cloud regimes, generalizes to withheld test periods, and provides uncertainty estimates that reflect physical ambiguity, particularly in multilayer and dynamically complex clouds. These results demonstrate the value of distribution-based learning targets for bridging observational scales, introducing a path toward model-relevant synthetic observations of clouds.
- Abstract（参考訳）: 大気雲は複雑な3次元構造と微視的詳細を示すが、これは地球規模で利用可能な2次元の衛星観測によってほとんど制約されない。
このミスマッチは、気象および気候モデルにおけるデータ駆動学習とクラウドプロセスの評価を複雑にし、大気物理学における継続的な不確実性に寄与する。
我々は,静止衛星の明るさ温度,近地気象変数,時間的文脈から垂直レーダー反射率プロファイルを生成する確率的推論フレームワークであるCERBERUSを紹介する。
CERBERUSは3つの頭を持つエンコーダデコーダアーキテクチャを用いて、ゼロインフレード(ZI)の垂直分解されたレーダー反射率の分布を予測する。
CERBERUSは、ARMサザン・グレート・プレーンズ・サイト(英語版)で地上のKaバンドレーダー観測を用いて訓練され、評価され、クラウド体制全体にわたるコヒーレントな構造を復元し、維持されないテスト期間に一般化し、特に多層および動的に複雑な雲における物理的曖昧さを反映した不確実性の推定を提供する。
これらの結果は,観測スケールをブリッジする上での分布に基づく学習目標の価値を示し,雲のモデル関連合成観測への道のりを紹介した。
関連論文リスト
- Hybrid Quantum-Classical Spatiotemporal Forecasting for 3D Cloud Fields [17.43641088991807]
本稿では,3次元クラウド予測のためのハイブリッド量子古典時間フレームワークQENOを提案する。
実験の結果、QENOは代表的ベースラインより一貫して優れていた。
これらの結果は,3次元クラウド構造予測において,トポロジーを考慮したハイブリッド量子古典的特徴モデリングが有望な方向であることを示唆している。
論文 参考訳（メタデータ） (2026-03-31T08:12:13Z) - Global 3D Reconstruction of Clouds & Tropical Cyclones [0.5523946315455222]
本稿では,2次元衛星画像から関連するクラウド特性の3次元クラウドマップへ変換する新しいフレームワークを提案する。
私たちは、初めて、グローバルな瞬間的な3Dクラウドマップを作成し、激しい嵐の3D構造を正確に再構築できることを示します。
論文 参考訳（メタデータ） (2025-11-06T19:47:03Z) - Discovering Spatial Correlations of Earth Observations for weather forecasting by using Graph Structure Learning [4.794822439017277]
本研究では,地球観測と大気状態の空間的相関を見出すことにより,天気予報の精度を向上させることを目的とする。
我々は、この問題を解決するために構造学習を伴う時間グラフニューラルネットワーク(STGNN)を用いる。
本研究では,東アジアの実際の大気状態と観測データを用いて,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-08-11T06:14:31Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - 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) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - 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。