論文の概要: IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting
- arxiv url: http://arxiv.org/abs/2604.24224v1
- Date: Mon, 27 Apr 2026 09:30:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.878408
- Title: IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting
- Title（参考訳）: IMPA-Net:極対流レーダのマルチスケールアテンションとダイナミックロス
- Authors: Haofei Cui, Guangxin He, Juanzhen Sun, Jingjia Luo, Haonan Chen, Xiaoran Zhuang, Mingxuan Chen, Xian Xiao,
- Abstract要約: 気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。
本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
- 参考スコア（独自算出の注目度）: 2.405586180193259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-range prediction of convective precipitation from weather radar observations is essential for severe weather warnings. However, deep learning models trained with pixel-wise error metrics tend to produce overly smooth forecasts that suppress intense echoes critical for hazard detection. This issue is exacerbated by insufficient multi-scale feature interaction and suboptimal fusion of heterogeneous geophysical inputs. We propose IMPA-Net (Integrated Multi-scale Predictive Attention Network), a deterministic 0-2 hour nowcasting framework that addresses these limitations through meteorologically-informed designs at the input, architecture, and loss function levels. A parameter-free Spatial Mixer reorganizes heterogeneous input channels at the mesoscale-$γ$ neighborhood (~2 km) via deterministic channel permutation, providing a structured cross-field prior. An integrated multi-scale predictive attention module serves as the spatiotemporal translator, capturing dynamics from mesoscale-$β$ to mesoscale-$γ$ scales. A Meteorologically-Aware Dynamic Loss employs three-level asymmetric weighting -- adapting across training epochs, storm intensity, and forecast lead time -- to counteract regression-to-the-mean. Evaluated against seven baselines on a multi-source radar dataset over eastern China, IMPA-Net raises the Heidke Skill Score at $\geq$45 dBZ from 0.049 (SimVP baseline) to 0.143 under matched settings. Relative to pySTEPS, it provides a better trade-off between severe-event detection and false-alarm control. Spectral analysis confirms preserved energy across mesoscale bands where competing methods show progressive smoothing. These improvements are shown within a single domain and convective regime; generalizability to other orographic and climatic regions remains to be tested.
- Abstract（参考訳）: 気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。
しかし、画素単位の誤差メトリクスで訓練されたディープラーニングモデルは、危険検出に不可欠な強いエコーを抑制する、過度に滑らかな予測を生成する傾向にある。
この問題は、マルチスケールの特徴相互作用が不十分で、不均一な物理入力の最適部分融合によって悪化する。
Integrated Multi-scale Predictive Attention Network, IMPA-Netは, 入力, アーキテクチャ, 損失関数のレベルにおいて, 気象情報を用いてこれらの制約に対処する決定論的0-2時間放送フレームワークである。
パラメータフリーなSpatial Mixerは、決定論的チャネル置換によってメソスケール-$γ$地区(~2km)の異種入力チャネルを再編成し、構造化されたクロスフィールドを前もって提供する。
統合されたマルチスケール予測アテンションモジュールは時空間変換器として機能し、メソスケール-β$からメソスケール-γ$スケールまでのダイナミクスをキャプチャする。
Meteorologically-Aware Dynamic Lossでは,3段階の非対称な重み付け – トレーニングエポック,嵐強度,予測リード時間 – を採用して,レグレッション・トゥ・ザ・ミーアン(regress-to-the-mean)に対抗する。
IMPA-Netは、中国東部のマルチソースレーダーデータセットの7つのベースラインに対して評価を行い、Heidke Skill Scoreを0.049ドル(SimVPベースライン)から0.143ドルに値上げした。
pySTEPSとは対照的に、重度のイベント検出と偽アラーム制御のトレードオフが向上する。
スペクトル分析は、競合する手法が進行スムージングを示すメソスケール帯の保存エネルギーを確認する。
これらの改善は、単一の領域と対流体制内で示され、他のオーログラフィー領域や気候領域への一般化性はまだ試験されていない。
関連論文リスト
- Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction [10.587035638034767]
熱帯低気圧は、熱帯・亜熱帯地域の生活、インフラ、経済に深刻な脅威をもたらす。
AIベースの天気予報の最近の進歩は、トラック予測を改善することを約束している。
2つの重要なイノベーションを統合する新しい統一フレームワークであるBaguanCycloneを提案する。
論文 参考訳（メタデータ） (2026-03-20T03:25:03Z) - AGCD: Agent-Guided Cross-Modal Decoding for Weather Forecasting [29.582978733703687]
Agent-Guided Cross-Modal Decoding (AGCD) は、プラグイン・アンド・プレイのプリインジェクションのパラダイムである。
状態条件の物理プライヤを生成するための多エージェント気象ナレーションパイプラインを設計する。
また、領域対応マルチスケールトークン化と効率的な物理-プライアーインジェクションを行うクロスモーダルな領域間相互作用デコーディングも導入する。
論文 参考訳（メタデータ） (2026-03-16T13:27:20Z) - MMWSTM-ADRAN+: A Novel Hybrid Deep Learning Architecture for Enhanced Climate Time Series Forecasting and Extreme Event Prediction [0.0]
Anomaly-Driven Recurrent Attention Network Plus (MMWSTM-ADRAN+) を用いたマルチモード気象状態遷移モデルを提案する。
MMWSTMは双方向Long-Term Memory (BiLSTM)ユニットと学習可能なマルコフ状態遷移行列を組み合わせることで、共光スケール気象条件の変化を捉える。
2番目のストリームであるADRANは、双方向Gated Recurrent Units (BiGRUs)、マルチヘッド自己アテンション、および新しい異常増幅層を統合し、低確率信号に対する感度を高める。
論文 参考訳（メタデータ） (2025-11-17T14:31:54Z) - CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。
アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。
トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
論文 参考訳（メタデータ） (2025-10-23T17:43:38Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。
EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。
ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
論文 参考訳（メタデータ） (2025-03-31T18:10:08Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - 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) - 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)
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。