論文の概要: A plug-and-play generative framework for multi-satellite precipitation estimation

• arxiv url: http://arxiv.org/abs/2605.14426v1
• Date: Thu, 14 May 2026 06:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.657152
• Title: A plug-and-play generative framework for multi-satellite precipitation estimation
• Title（参考訳）: マルチサテライト降水量推定のためのプラグアンドプレイ生成フレームワーク
• Authors: Yunfan Yang, Haofei Sun, Xiuyu Sun, Wei Han, Xiaoze Xu, Xingtao Song, Jun Li, Zhiqiu Gao, Wei Huang, Hao Li,
• Abstract要約: PRISMAは多センサ降水量推定のためのプラグアンドプレイ遅延生成フレームワークである。 臨界成功指数を最大40.3%改善し、ルート平均二乗誤差を22.6%削減する。 また、確率的スキルを改善し、平均推定時間約37秒を維持する。
• 参考スコア（独自算出の注目度）: 16.36183485469083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable precipitation monitoring is essential for disaster risk reduction, water resources management, and agricultural decision-making. Multi-source satellite observations, particularly the combination of geostationary infrared and passive microwave measurements, have become a primary means of precipitation detection. Traditional multi-source satellite precipitation estimation methods remain computationally inefficient, and many deep learning methods lack the flexibility to incorporate new sensors without retraining the full model. Here we introduce PRISMA (Precipitation Inference from Satellite Modalities via generAtive modeling), a plug-and-play latent generative framework for multi-sensor precipitation estimation. PRISMA learns an unconditional precipitation prior from IMERG Final fields and constrains it through independently trained, sensor-specific conditional branches, allowing new observation sources to be incorporated without retraining the generative backbone. Applied to FY-4B AGRI infrared and GPM GMI microwave observations, PRISMA improves Critical Success Index by up to 40.3% and reduces root-mean-square error by 22.6% relative to infrared-only estimation within microwave swaths, while also improving probabilistic skill and maintaining an average inference time of about 37 s. Independent rain-gauge validation across China confirms consistent gains, and typhoon case studies show that microwave conditioning restores eyewall and spiral rainband structures, reducing storm-core mean absolute error by up to 42.3%. PRISMA thus provides an extensible and efficient framework for multi-sensor precipitation estimation.
• Abstract（参考訳）: 信頼性の高い降水監視は、災害リスク低減、水資源管理、農業意思決定に不可欠である。 マルチソース衛星観測、特に静止赤外と受動マイクロ波の観測の組み合わせは降水検知の主要な手段となっている。 従来のマルチソース衛星の降水量推定手法は計算効率が良くないままであり、多くのディープラーニング手法では、完全なモデルを再訓練することなく、新しいセンサーを組み込む柔軟性が欠如している。 PRISMA(Precipitation Inference from Satellite Modalities via GenerAtive Modeling)は,マルチセンサ降水推定のためのプラグアンドプレイ遅延生成フレームワークである。 PRISMAはIMERGファイナルフィールドに先立って無条件の降水を学習し、独立に訓練されたセンサー特異的な条件分岐を通して制約する。 FY-4B AGRIとGPM GMIのマイクロ波観測に応用され、PRISMAは臨界成功指数を最大40.3%改善し、マイクロ波スラット内の赤外線のみの推定に対して根平均二乗誤差を22.6%低減し、確率的スキルを改善し、平均推定時間を約37秒維持する。 台風のケーススタディでは、マイクロ波コンディショニングはアイウォールとスパイラルレインバンドの構造を復元し、嵐のコア平均絶対誤差を最大42.3%減少させる。 PRISMAは多センサ降水量推定のための拡張可能かつ効率的なフレームワークを提供する。

関連論文リスト

• A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS [0.410492188035848]
  本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
  論文  参考訳（メタデータ） (2025-12-09T19:23:27Z)
• Oya: Deep Learning for Accurate Global Precipitation Estimation [0.2621533844622817]
  本研究は、静止衛星(GEO)からの可視・赤外観測の全スペクトルを利用した、新しいリアルタイム降水探索アルゴリズムであるOyaを紹介する。 Oyaは2段階の深層学習アプローチを採用し、降水検知と量的降水推定(QPE)という2つのU-Netモデルを組み合わせて、雨と無雨のイベントの固有のデータ不均衡に対処している。
  論文  参考訳（メタデータ） (2025-11-13T18:01:08Z)
• 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)
• Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada [12.729339328566542]
  降水量計、降水レーダ、衛星ベースの降水センサーといった3つの広く使われている降水量測定手法は、複雑な領域で信頼できる降水生成物を生成するために独自の利点と欠点を持っている。 検出エラーの確率を低減し、データの信頼性を向上させる方法の1つは、降水データマージである。 本研究では,Long Short-term Memory (LSTM) という深層学習技術を用いて,レーダーと衛星を用いたグローバル降水量測定(GPM)を時間スケールで統合した。
  論文  参考訳（メタデータ） (2024-04-15T21:01:31Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)

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。