論文の概要: From Drops to Grid: Noise-Aware Spatio-Temporal Neural Process for Rainfall Estimation

• arxiv url: http://arxiv.org/abs/2605.05912v1
• Date: Thu, 07 May 2026 09:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.66133
• Title: From Drops to Grid: Noise-Aware Spatio-Temporal Neural Process for Rainfall Estimation
• Title（参考訳）: 降雨量からグリッドへ:降雨推定のための騒音を考慮した時空間ニューラルプロセス
• Authors: Rafael Pablos Sarabia, Joachim Nyborg, Morten Birk, Ira Assent,
• Abstract要約: 本研究では,レーダからの空間的文脈で,民間気象観測所を融合させて豪雨場を生成するDropsToGridを提案する。 実世界のデータセットの評価によると、DropsToGridは運用ベースラインとディープラーニングベースラインの両方でパフォーマンスが向上している。
• 参考スコア（独自算出の注目度）: 5.811451458065085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution rainfall observations are crucial for weather forecasting, water management, and hazard mitigation. Traditional operational measurements are often biased and low-resolution, limiting their ability to capture local rainfall. Accurate high-resolution rainfall maps require integrating sparse surface observations, yet existing deep learning densification methods are hindered by rainfall's skewed, localized nature, noise, and limited spatio-temporal fusion. We present DropsToGrid, a Neural Process-based method that generates dense rainfall fields by fusing temporal sequences from noisy, irregularly distributed private weather stations with spatial context from radar. Leveraging multi-scale feature extraction, temporal attention, and multi-modal fusion, the model produces stochastic, continuous rainfall estimates and explicitly quantifies uncertainty. Evaluations on real-world datasets demonstrate that DropsToGrid outperforms both operational and deep learning baselines, generating accurate high-resolution rainfall maps with well-calibrated uncertainty, even when only few stations are available and in cross-regional scenarios.
• Abstract（参考訳）: 高解像度の降雨観測は、天気予報、水管理、リスク軽減に不可欠である。 従来の運用計測は、しばしばバイアスがあり、低解像度であり、局所的な降雨を捉える能力を制限する。 正確な高解像度降雨マップはスパース面の観測を統合する必要があるが、既存のディープラーニングの密度化手法は降雨の歪曲、局部的な性質、騒音、時空間融合の制限によって妨げられている。 そこで,DropsToGridを提案する。DropsToGridは高密度降雨場を生成するニューラルプロセスで,ノイズや不規則に分布するプライベート気象観測所からの時間的シーケンスをレーダから空間的コンテキストで融合して生成する手法である。 マルチスケールの特徴抽出,時間的注意,マルチモーダル融合を活用して,確率的かつ連続的な降雨推定を行い,不確実性を明確に定量化する。 実世界のデータセットの評価によると、DropsToGridは運用ベースラインと深層学習ベースラインの両方で優れており、駅が少ない場合やクロスリージョンのシナリオであっても、正確な高精度の降雨マップを適切に校正された不確実性で生成している。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
  本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。 マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。 降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-05-22T15:50:00Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• 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)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)

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。