論文の概要: Cloud-top infrared observations reveal the four-dimensional precipitation structure

• arxiv url: http://arxiv.org/abs/2605.07499v1
• Date: Fri, 08 May 2026 09:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.964813
• Title: Cloud-top infrared observations reveal the four-dimensional precipitation structure
• Title（参考訳）: 雲頂赤外観測による4次元降水構造
• Authors: Tianchi Xu, Ziqiang Ma, Andrea Marinoni, Yuanpeng He, Xiaoqing Li, Chuanfeng Zhao, Kang He, Jintao Xu, Bohan Zhou, Wenbo Zhao, Haoshuang Chen, Tun Wang, Dongdong Wang, Yang Hong,
• Abstract要約: 雲頂赤外観測では,降水の4次元構造を復元するのに十分な情報をエンコードしている。 本研究では,水蒸気を回収するために,水分優先の制約が潜水表現を必要とする物理拘束型深層学習フレームワークである4DPrecipNetを導入する。
• 参考スコア（独自算出の注目度）: 14.071441475924276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate four-dimensional (4D) precipitation information is essential for understanding the Earth's energy and water cycles, yet remains observationally unresolved at global scales. Conventional theory holds that geostationary infrared observations primarily sense cloud-top properties, with limited sensitivity to sub-cloud precipitation. Here we show that cloud-top infrared measurements nevertheless encode sufficient information to recover the four-dimensional structure of precipitation, revealing a previously unexploited observability of sub-cloud processes. We introduce a physically constrained deep learning framework, 4DPrecipNet, in which a moisture-first constraint requires the latent representation to recover precipitable water vapour, anchoring the model in thermodynamic consistency. By integrating multi-channel infrared radiances with these constraints and radar-derived precipitation profiles, we reconstruct the vertical and temporal evolution of precipitation systems from geostationary orbit. The framework captures deep convective structures and their evolution, with robust performance across large samples and independent radar comparisons. These results demonstrate that sub-cloud precipitation is physically encoded in cloud-top infrared observations, establishing a new pathway for continuous global monitoring of precipitation structure.
• Abstract（参考訳）: 正確な4次元(4D)の降水情報は地球のエネルギーと水循環を理解するのに不可欠であるが、地球規模では観測されていない。 従来の理論では、静止赤外観測は主に雲頂特性を感知し、亜雲の降水に対する感度は限られている。 ここでは,4次元の降水構造を復元するための十分な情報をクラウド上赤外計測でエンコードし,未発見のサブクラウドプロセスの観測可能性を明らかにする。 物理制約のある深層学習フレームワークである4DPrecipNetを導入し,熱力学的整合性を保ちながら,沈降可能な水蒸気の回収に潜水制約を必要とする。 これらの制約とレーダーによる降水プロファイルを多チャンネル赤外放射線と組み合わせることで、静止軌道からの降水系の垂直および時間的進化を再構築する。 このフレームワークは、大きなサンプルをまたいだ堅牢な性能と独立したレーダー比較により、深い対流構造とその進化を捉えている。 これらの結果から,雲上赤外観測では亜雲の降水が物理的に符号化され,降水構造を連続的に監視するための新たな経路が確立された。

関連論文リスト

• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-09T21:16:42Z)
• 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)
• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
  まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。 この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。 我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• TCR-GAN: Predicting tropical cyclone passive microwave rainfall using infrared imagery via generative adversarial networks [11.34283731463713]
  本研究では、熱帯サイクロン(TC)の衛星赤外(IR)画像から受動マイクロ波雨量(PMR)を直接予測することにより、この問題の解決を試みる。 我々は, 赤外線画像をPMRに変換するGAN(Generative Adversarial Network)を開発し, TCクラウドトップの明るい温度とPMRのマッピング関係を確立する。 実験の結果,IRから重要な特徴を効果的に抽出できることが示唆された。
  論文  参考訳（メタデータ） (2022-01-14T08:22:16Z)

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。