論文の概要: Seeing Inside the Storm: Improving Nowcasting by Integrating Meteorological Drivers
- arxiv url: http://arxiv.org/abs/2605.24067v1
- Date: Fri, 22 May 2026 08:15:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.573809
- Title: Seeing Inside the Storm: Improving Nowcasting by Integrating Meteorological Drivers
- Title（参考訳）: 嵐の中を見る - 気象学のドライバを統合化して、ニュースキャスティングを改善する
- Authors: Minghui Qiu, Jun Chen, Lin Chen, Weifeng Chen, Shuxin Zhong, Zhidan Liu, Yu Zhang, Kaishun Wu,
- Abstract要約: 我々は,対流の全ライフサイクルをモデル化する物理に着想を得たレーダインテリジェンスフレームワークであるMeteoLogistを紹介した。
MeteoLogistは強力なベースラインで高衝撃検出(CSI40)を+9.7%向上させ、嵐発生段階では37.67%の上昇を達成した。
メテオロジストは3D-NEXRAD (2020-2022, US-wide) で評価され、強いベースラインで高衝撃検出 (CSI40) を+9.7%向上させ、嵐発生段階では37.67%の上昇を達成した。
- 参考スコア（独自算出の注目度）: 23.987883831557067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most nowcasting systems, built on radar reflectivity, focus on current precipitation, ignoring the atmospheric precursors -- such as low-level convergence, turbulent eddies, and latent heating -- that offer a fleeting window to foresee storm birth. We introduce MeteoLogist, a physics-inspired radar intelligence framework that models the full life cycle of convection -- from its precursors to organized storm evolution. However, exploiting these precursors is non-trivial: they originate from multiple meteorological drivers -- thermodynamic, kinematic, and microphysical -- that evolve asynchronously (C1) and remain spatially fragmented (C2). To this end, MeteoLogist designs three tightly integrated components. The Physics-Tailored Encoders process radar echoes according to their intrinsic physical scales and semantics, forming thermodynamic, kinematic, and microphysical streams that capture distinct dynamical regimes. The Temporal-Phase Aligner addresses C1 by leveraging causal temporal attention to capture when and how different drivers interact and activate. The Cross-Field Spatial Aggregator addresses C2 through cross-regional fusion, aligning weak and scattered precursors across neighboring cells to expose upstream triggers and enforce spatial coherence. Evaluated on 3D-NEXRAD (2020--2022, US-wide), MeteoLogist boosts high-impact detection (CSI40) by +9.7% over strong baselines, and achieves a remarkable 37.67% gain during the storm-developing stage -- demonstrating true foresight in sensing storms before they appear. The code can be found in the supplementary material.
- Abstract（参考訳）: レーダーの反射率に基づいて構築されたほとんどの放送システムは、降水量に重点を置いており、低レベルの収束、乱流渦、潜水といった大気の前駆体を無視している。
私たちはMeteoLogistを紹介します。これは物理にインスパイアされたレーダーインテリジェンスフレームワークで、その前駆者から組織化された嵐の進化まで、対流の全ライフサイクルをモデル化します。
しかし、これらの前駆体を利用するのは簡単ではない。熱力学、キネマティック、ミクロ物理の複数の気象要因が非同期に進化し(C1)、空間的に断片化されている(C2)。
この目的のためにMeteoLogistは、3つの密に統合されたコンポーネントを設計している。
物理学式エンコーダは、固有の物理的スケールと意味に従ってレーダーをエコーし、熱力学、運動力学、微物理の流れを形成し、異なる力学的な状態を取り込む。
テンポラル・パース・アリグナーは、因果的時間的注意を利用してC1に対処する。
Cross-Field Space Aggregatorは、C2をクロスリージョン融合を通じて処理し、近くの細胞に分散した弱い前駆体を並べて上流のトリガーを露出させ、空間コヒーレンスを強制する。
3D-NEXRAD (2020-2022, US-wide)で評価され、MeteoLogistは強いベースラインを+9.7%上回るハイインパクト検出(CSI40)を+9.7%向上させ、嵐発生段階では37.67%の上昇を達成した。
コードは補足資料で確認できる。
関連論文リスト
- PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting [2.405586180193259]
気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。
本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
論文 参考訳（メタデータ） (2026-04-27T09:30:07Z) - VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。
VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
論文 参考訳（メタデータ） (2026-03-13T04:56:43Z) - CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。
SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。
大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
論文 参考訳（メタデータ） (2026-02-18T14:41:54Z) - FuXi-Nowcast: Meet the longstanding challenge of convective initiation in nowcasting [9.84224909687685]
FuXi-Nowcastは、複合レーダー反射率、地表降水量、表面温度、風速、風速を東方1kmで予測するディープラーニングシステムである。
FuXi-Nowcastは, 反射率, 降水量, 風速の3kmCMA-MESO数値モデルを超え, 最大速度は12時間である。
論文 参考訳（メタデータ） (2025-12-03T01:46:09Z) - 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) - 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) - 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) - PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial
Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。
PCT-CycleGANは画像間翻訳において高い性能を示す。
反復予測で最大2時間の信頼性のある予測を提供する。
論文 参考訳（メタデータ） (2022-11-28T04:08:55Z)
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。