論文の概要: VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting

• arxiv url: http://arxiv.org/abs/2605.14597v1
• Date: Thu, 14 May 2026 09:05:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.743103
• Title: VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting
• Title（参考訳）: VMU-Diff: 降水開始のための粗大なマルチソースデータフュージョンフレームワーク
• Authors: Chunlei Shi, Hao Li, Yufeng Zhu, Boyu Liu, Yongchao Feng, Zengliang Zang, Hongbin Wang, Yanlan Yang, Dan Niu,
• Abstract要約: 既存の手法は、決定論的または確率論的モデルを構築するために、単一ソースのレーダーデータに依存している。 本稿では,新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 SWANデータセットを用いた実験により,最先端手法による手法の改良が実証された。
• 参考スコア（独自算出の注目度）: 9.702321405779513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting is a vital spatio-temporal prediction task for meteorological applications but faces challenges due to the chaotic property of precipitation systems. Existing methods predominantly rely on single-source radar data to build either deterministic or probabilistic models for extrapolation. However, the single deterministic model suffers from blurring due to MSE convergence. The single probabilistic model, typically represented by diffusion models, can generate fine details but suffers from spurious artifacts that compromise accuracy and computational inefficiency. To address these challenges, this paper proposes a novel coarse-to-fine Vision Mamba Unet and residual Diffusion (VMU-Diff) based precipitation nowcasting framework. It realizes precipitation nowcasting through a two-stage process, i.e., a deterministic model-based coarse stage to predict global motion trends and a probabilistic model-based fine stage to generate fine prediction details. In the coarse prediction stage, rather than single-source radar data, both radar and multi-band satellite data are taken as input. A spatial-temporal attention block and several Vision mamba state-space blocks realize multi-source data fusion, and predict the future echo global dynamics. The fine-grained stage is realized by a spatio-temporal refine generator based on residual conditional diffusion models. It first obtains spatio-temporal residual features based on coarse prediction and ground truth, and further reconstructs the residual via conditional Mamba state-space module. Experiments on Jiangsu SWAN datasets demonstrate the improvements of our method over state-of-the-art methods, particularly in short-term forecasts.
• Abstract（参考訳）: 降水流速計は気象学的な応用において重要な時空間予測課題であるが,降水系のカオス的な性質のために課題に直面している。 既存の手法は、外挿のための決定論的または確率論的モデルを構築するために、主に単一ソースのレーダーデータに依存している。 しかし、単一の決定論的モデルは、MSE収束によるぼやけに悩まされる。 拡散モデルに代表される単一の確率モデルは細部を生成できるが、精度と計算の非効率性を損なう突発的な人工物に悩まされる。 これらの課題に対処するため、我々は、新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 2段階のプロセス、すなわち、大域的な動きの傾向を予測する決定論的モデルベース粗いステージと、詳細な予測を生成する確率論的モデルベース微細ステージによって降水が進行する。 単一ソースレーダデータではなく、粗い予測段階では、レーダデータとマルチバンド衛星データの両方を入力とする。 空間的時間的注意ブロックと複数のビジョンマンバ状態空間ブロックは、マルチソースデータ融合を実現し、将来のエコーグローバルダイナミクスを予測する。 残留条件拡散モデルに基づく時空間微細化生成器により, 微粒化を実現する。 まず、粗い予測と基底真理に基づいて時空間的残差特性を求め、さらに条件付きマンバ状態空間モジュールを介して残差を再構成する。 Jiangsu SWANデータセットを用いた実験では,特に短期予測において,最先端の手法による手法の改良が示されている。

関連論文リスト

• STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting [22.29494904927957]
  降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。 STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
  論文  参考訳（メタデータ） (2025-12-24T11:34:44Z)
• HydroDiffusion: Diffusion-Based Probabilistic Streamflow Forecasting with a State Space Backbone [24.321954272892338]
  HydroDiffusionは拡散に基づく確率予測フレームワークであり、デコーダのみの状態空間モデルバックボーンを備えている。 CAMELSデータセットでは、アメリカ合衆国(CONUS)の531の流域で評価されている。 その結果,観測された気象強制力により,ハイドロ拡散は強い流速精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T05:05:27Z)
• Rectifying Distribution Shift in Cascaded Precipitation Nowcasting [1.1724961392643483]
  降水流速計は、現在のレーダー観測を活用して、高潮予報を提供することを目的としている。 局所性の発生から平均場シフトの是正を明確に結合するフレームワークであるRectiを紹介する。 2つのレーダデータセットの実験により、Rectiは既存の最先端メソッドよりも大幅にパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-11-19T02:06:30Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。