論文の概要: Neural Stochastic Processes for Satellite Precipitation Refinement

• arxiv url: http://arxiv.org/abs/2604.10414v1
• Date: Sun, 12 Apr 2026 02:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.00115
• Title: Neural Stochastic Processes for Satellite Precipitation Refinement
• Title（参考訳）: 衛星沈殿処理のためのニューラル確率過程
• Authors: Shunya Nagashima, Takumi Bannai, Shuitsu Koyama, Tomoya Mitsui, Shuntaro Suzuki,
• Abstract要約: グラウンドベースゲージは点位置では正確だが、直接格子補正するには小さすぎる。 既存の方法では、ゲージ観測を衛星グリッドに補間することでこれらのソースを融合させるが、各時間は独立して扱う。 本稿では,ニューラル・プロセス(NSP)モデルを提案する。ニューラル・プロセスは,任意のゲージ・オブザーバ上の条件を2次元空間表現上の潜在ニューラルSDEエンコーダと組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate precipitation estimation is critical for flood forecasting, water resource management, and disaster preparedness. Satellite products provide global hourly coverage but contain systematic biases; ground-based gauges are accurate at point locations but too sparse for direct gridded correction. Existing methods fuse these sources by interpolating gauge observations onto the satellite grid, but treat each time step independently and therefore discard temporal structure in precipitation fields. We propose Neural Stochastic Process (NSP), a model that pairs a Neural Process encoder conditioning on arbitrary sets of gauge observations with a latent Neural SDE on a 2D spatial representation. NSP is trained under a single variational objective with simulation-free cost. We also introduce QPEBench, a benchmark of 43{,}756 hourly samples over the Contiguous United States (2021--2025) with four aligned data sources and six evaluation metrics. On QPEBench, NSP outperforms 13 baselines across all six metrics and surpasses JAXA's operational gauge-calibrated product. An additional experiment on Kyushu, Japan confirms generalization to a different region with independent data sources.
• Abstract（参考訳）: 正確な降水量の推定は洪水予報、水資源管理、災害対策に重要である。 衛星製品は、グローバルな時間的カバレッジを提供するが、体系的なバイアスを含んでいる。 既存の方法では、ゲージ観測を衛星グリッドに補間することでこれらのソースを融合させるが、各時間は独立して処理し、降水場の時間構造を破棄する。 2次元空間表現に潜むニューラルSDEと任意のゲージ観測セット上でのニューラル・プロセス・エンコーダ条件のペアリングモデルであるニューラル・確率過程(NSP)を提案する。 NSPは、シミュレーションのないコストで単一の変動目標の下で訓練される。 また、43{,}756時間サンプルのベンチマークであるQPEBench(2021年-2025年)を4つの整列データソースと6つの評価指標で紹介する。 QPEBenchでは、NSPは6つのメトリクスすべてで13のベースラインを上回り、JAXAのオペレーショナルゲージ校正製品を上回っている。 九州でのさらなる実験では、独立したデータソースを持つ別の地域への一般化が確認されている。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest [0.0]
  エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を担っているが、その正確な定量化は依然として困難である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。
  論文  参考訳（メタデータ） (2025-10-13T15:15:40Z)
• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• 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)
• 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)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。