論文の概要: Pointwise is Pointless? A Multimodal Ablation Study for Precipitation Nowcasting with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2606.18436v2
- Date: Thu, 18 Jun 2026 10:12:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 13:55:51.801571
- Title: Pointwise is Pointless? A Multimodal Ablation Study for Precipitation Nowcasting with Graph Neural Networks
- Title（参考訳）: ポイントワイドは無意味か? グラフニューラルネットワークを用いた降雨予報のためのマルチモーダルアブレーション研究
- Authors: Ophélia Miralles, Máté Mile, Christoffer Artturi, Thomas Nipen, Ivar Seierstad,
- Abstract要約: 我々はノルディックレーダドメイン上にネットワーク放送システムを構築している。
このモデルは5分毎の降水量を2時間前に予測する。
我々は、レーダー専用、NWPインフォームド、ステーションインフォームド、衛星インフォームド、ノイズ強化、CRPSベースの構成を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse point observations are increasingly available for precipitation nowcasting, but it is unclear how much they improve dense radar-field forecasts. We partially address this question with a multimodal graph neural network nowcasting system over the Nordic radar domain. The model predicts rain rate every five minutes up to two hours ahead and is trained with different combinations of radar history, MEPS numerical weather prediction, Netatmo surface observations, MSG satellite channels, stochastic noise, and CRPS-based ensemble losses. The study is designed as an ablation of operationally relevant information sources and training objectives. We compare radar-only, NWP-informed, station-informed, satellite-informed, noise-augmented, and CRPS-based configurations using complementary diagnostics on the radar grid, at station locations, for rain onset, and through oracle, displacement, and amplitude scores. The results show that each source improves a different part of the forecast problem. MEPS stabilises radar-only extrapolation, Netatmo observations improve local station and onset diagnostics, and satellite predictors reduce some station-level biases but may activate rain too early when used deterministically. CRPS-based configurations provide the most consistent radar-grid gains, while the combined satellite and CRPS setup gives the best overall oracle/DAS score. These results do not support the conclusion that point observations are uninformative for nowcasting, but they show that local observational skill and spatially coherent radar-field skill are distinct targets. The practical implication is that sparse observations can provide useful local constraints, but their benefit for radar-like fields depends on the training loss, uncertainty representation, and how observation support is encoded in the model.
- Abstract（参考訳）: 淡点観測は降水量計での利用が増えているが、密集したレーダフィールドの予測がどの程度改善されているかは定かではない。
我々はこの問題を、北欧レーダー領域上のマルチモーダルグラフニューラルネットワークで部分的に解決する。
このモデルは5分毎の降雨量を2時間前に予測し、レーダー履歴、MEPS数値気象予報、ネットトモ表面観測、MSG衛星チャンネル、確率ノイズ、CRPSに基づくアンサンブル損失の異なる組み合わせで訓練する。
この研究は、運用に関係のある情報ソースとトレーニング目標のアブレーションとして設計されている。
レーダグリッド, ステーション位置, 降雨開始地点, オラクル, 変位, 振幅スコアの相補的診断を用いて, レーダーのみ, NWPインフォーム, ステーションインフォーム, 衛星インフォーム, 衛星インフォーム, ノイズインフォーム, CRPSベースの構成を比較した。
その結果,各情報源は予測問題の異なる部分を改善していることがわかった。
MEPSはレーダーのみの外挿を安定化し、Netatmo観測は局局とオンセットの診断を改善し、衛星予測器は局レベルの偏差を小さくするが、決定論的に使用すると雨が早すぎる可能性がある。
CRPSベースの構成は、最も一貫したレーダーグリッドのゲインを提供するが、CRPSと衛星の組み合わせは、全体的なオラクル/DASスコアを最高のものにする。
これらの結果は、点観察が現在放送には役に立たないという結論を裏付けるものではないが、局所的な観測技術と空間的に整合したレーダー-フィールド技術が異なるターゲットであることを示す。
現実的な意味は、スパース観測は有用な局所的制約を提供することができるが、レーダーのような分野の利点は、訓練損失、不確実性表現、およびモデルにおける観測支援のエンコード方法に依存する。
関連論文リスト
- Pushing Radar Odometry Beyond the Pavement: Current Capabilities and Challenges [7.820881002491645]
オフロードオドメトリー推定におけるレーダの可能性について検討する。
本稿では,3次元レーダー点雲の生成に動き補償を適用したRadar-KISSICPと,IMU事前積分を利用してスキャンマッチングを安定化するRadar-IMUの2つの簡単なベースラインを紹介する。
Great Outdoorsデータセットの実験は、これらのベースラインが挑戦ルートにおける軌道推定を改善することを示した。
論文 参考訳（メタデータ） (2026-04-27T16:34:18Z) - RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。
RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。
本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
論文 参考訳（メタデータ） (2025-12-19T18:57:33Z) - Skeleton Detection Using Dual Radars with Integration of Dual-View CNN Models and mmPose [0.0]
本研究は2つのmmWaveレーダを用いて、PointNetとmmPoseを組み合わせた3つのDual ViewCNNモデルを提案する。
提案モデルでは,無作為歩行に対する準最適結果を示すが,アームスイングの場合の方が優れている。
論文 参考訳（メタデータ） (2024-11-28T16:40:58Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-22T10:10:25Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。
これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。
衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
論文 参考訳（メタデータ） (2021-10-02T00:43:02Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳（メタデータ） (2020-10-02T00:13:00Z)
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。