論文の概要: MambaRain: Multi-Scale Mamba-Attention Framework for 0-3 Hour Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2605.14606v1
- Date: Thu, 14 May 2026 09:23:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.748465
- Title: MambaRain: Multi-Scale Mamba-Attention Framework for 0-3 Hour Precipitation Nowcasting
- Title（参考訳）: MambaRain: 0-3時間降水開始のためのマルチスケールMamba-Attentionフレームワーク
- Authors: Chunlei Shi, Cui Wu, Xiang Xu, Hao Li, Ni Fan, Xue Han, Yongchao Feng, Yufeng Zhu, Boyu Liu, Zengliang Zang, Hongbin Wang, Yanlan Yang, Dan Niu,
- Abstract要約: MambaRainは、新しいマルチスケールエンコーダデコーダアーキテクチャである。
マンバの線形複素性長期時間モデリングと自己アテンション機構を統合し、空間相関キャプチャーを明示する。
我々は,MambaRainが0～3時間放送タスクにおいて,既存の手法を大幅に上回っていることを示す。
- 参考スコア（独自算出の注目度）: 15.054054037436261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate precipitation nowcasting over extended horizons (0-3 hours) is essential for disaster mitigation and operational decision-making, yet remains a critical challenge in the field. Existing deterministic approaches are predominantly constrained to shorter prediction windows (0-2 hours), exhibiting severe performance degradation beyond 90 minutes owing to their inherent difficulty in capturing long-range spatiotemporal dependencies from radar-derived observations. To address these fundamental limitations, we propose MambaRain, a novel multi-scale encoder-decoder architecture that synergistically integrates Mamba's linear-complexity long-range temporal modeling with self-attention mechanisms for explicit spatial correlation capture. The core innovation lies in a hybrid design paradigm wherein Mamba blocks leverage selective state space mechanisms to model global temporal dynamics across extended sequences with computational efficiency, while self-attention modules explicitly characterize spatial correlations within precipitation fields - a capability inherently absent in Mamba's sequential processing paradigm. This complementary synergy enables comprehensive spatiotemporal representation learning, effectively extending the viable forecasting horizon to 2-3 hours with substantial accuracy improvements. Furthermore, we introduce a spectral loss formulation to mitigate blurring artifacts characteristic of chaotic precipitation systems, thereby preserving fine-scale motion details critical for nowcasting accuracy. Experimental validation demonstrates that MambaRain substantially outperforms existing deterministic methodologies in 0-3 hour nowcasting tasks, with particularly pronounced performance gains in the challenging 2-3 hour prediction range.
- Abstract（参考訳）: 大規模地平線(0～3時間)上での正確な降水は、災害軽減と運用上の意思決定に不可欠であるが、この分野では依然として重要な課題である。
既存の決定論的アプローチは、主に短い予測窓(0-2時間)に制約されており、レーダーからの観測から長距離の時空間依存性を捉えるのに固有の困難さのため、90分を超えるパフォーマンス低下を示す。
これらの基本的な制約に対処するために,MambaRainを提案する。これは,Mambaの線形複雑度長期時間モデリングと,空間相関キャプチャのための自己アテンション機構を相乗的に統合した,新しいマルチスケールエンコーダデコーダアーキテクチャである。
中心となるイノベーションは、Mambaブロックが選択的な状態空間機構を利用して、計算効率で拡張シーケンス全体にわたるグローバルな時間的ダイナミクスをモデル化するハイブリッド設計パラダイムにある。
この相補的なシナジーは、総合的な時空間表現学習を可能にし、効果的に予測の地平線を2～3時間に拡張し、精度が大幅に向上する。
さらに,カオス降水システムに特徴的なぼやけたアーティファクトを緩和するために,スペクトル損失の定式化を導入する。
実験による検証では、MambaRainが既存の決定論的手法を0～3時間放送タスクで大幅に上回っており、特に2～3時間予測の難易度は顕著である。
関連論文リスト
- VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting [9.702321405779513]
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。
論文 参考訳（メタデータ） (2026-05-14T09:05:30Z) - UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
UniMambaは、統合された時空間予測フレームワークである。
これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。
予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-06T05:00:28Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - Spatiotemporal-Untrammelled Mixture of Experts for Multi-Person Motion Prediction [53.555201955973104]
人間の動作の複雑な時間的依存関係を包括的に捉えることは、多対人動作にとって重要である。
既存の方法には2つの主要な制限がある。
従来の注意の時間に起因した計算コストが高い。
我々のモデルは4種類の時間的専門家を取り入れており、それぞれ異なる空間的・時間的依存を捉えている。
論文 参考訳（メタデータ） (2025-12-25T15:01:19Z) - 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) - 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) - Mamba Integrated with Physics Principles Masters Long-term Chaotic System Forecasting [26.45571254488745]
PhyxMambaは、Mambaベースの状態空間モデルと物理インフォームドの原理を統合し、カオスシステムの長期的な振る舞いを予測するフレームワークである。
我々はPhyxMambaが優れた予測精度を提供し、短期的な歴史的観測から重要な統計を忠実に捉えていることを示す。
論文 参考訳（メタデータ） (2025-05-29T08:56:45Z) - STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。
CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。
空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
論文 参考訳（メタデータ） (2024-12-28T08:49:23Z) - UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。
U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。
UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
論文 参考訳（メタデータ） (2024-10-15T04:56:43Z) - MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。
具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。
実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-08-15T02:29:00Z)
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。