論文の概要: SIMBA: ABidirectional Retrieval Forward Simulation Framework for Modeling FY-4A GIIRS Hyperspectral Infrared Radiances Toward NWP Applications
- arxiv url: http://arxiv.org/abs/2606.19943v1
- Date: Thu, 18 Jun 2026 08:40:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.738549
- Title: SIMBA: ABidirectional Retrieval Forward Simulation Framework for Modeling FY-4A GIIRS Hyperspectral Infrared Radiances Toward NWP Applications
- Title（参考訳）: SIMBA: NWP応用に向けたFY-4A GIIRSハイパースペクトル赤外放射のモデリングのための双方向検索フォワードシミュレーションフレームワーク
- Authors: Jingdong Shen, Fu Wang*, Qifeng Lu, Hao Huang, Chunqiang Wu, Chi Yang, Xiaofang Liu,
- Abstract要約: 我々は、FY-4A GIIRS高スペクトル赤外放射率モデリングのための統合された双方向検索フォワードシミュレーションフレームワークを提案する。
このフレームワークは、大気プロファイル検索と放射率再構成を共同で行い、サイクル整合性制約を導入する。
実験の結果,SIMBAは検索タスクと再構築タスクの両方において,いくつかの代表的なディープラーニングベースラインよりも優れていた。
- 参考スコア（独自算出の注目度）: 7.547628232546402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperspectral infrared observations are an important data source for numerical weather prediction (NWP) because they provide rich information on the vertical structure of atmospheric temperature and humidity. However, most existing deep learning methods mainly focus on one-way retrieval from radiances to atmospheric profiles, while the reverse radiance simulation process and the consistency between atmospheric state space and radiance observation space are insufficiently considered. In this study, we propose SIMBA, a unified bidirectional retrieval-forward simulation framework for FY-4A GIIRS hyperspectral infrared radiance modeling toward NWP applications. The framework jointly performs atmospheric profile retrieval and radiance reconstruction, introduces a cycle-consistency constraint to strengthen the coupling between the two processes, and employs a bidirectional Mamba state-space module to capture long-range dependencies along pressure levels. Using collocated FY-4A GIIRS observations and ERA5 reanalysis data, the proposed method is evaluated for temperature retrieval, specific humidity retrieval, long-wave radiance reconstruction, and medium-wave radiance reconstruction. Experimental results show that SIMBA outperforms several representative deep learning baselines across both retrieval and reconstruction tasks, while ablation experiments confirm the contribution of the bidirectional design and cycle-consistency mechanism. These results demonstrate that the proposed framework is effective for joint atmospheric profile retrieval and hyperspectral infrared radiance modeling, and suggest potential for future Jacobian-related analysis and NWP-oriented extensions.
- Abstract（参考訳）: ハイパースペクトル赤外観測は、大気温度と湿度の垂直構造に関する豊富な情報を提供するため、数値気象予測(NWP)にとって重要なデータ源である。
しかし,既存のディープラーニング手法の大部分は,逆放射率シミュレーションプロセスと大気状態空間と放射率観測空間との整合性を考慮した一方向探索に重点を置いている。
本研究では,FY-4A GIIRS高スペクトル赤外放射率モデリングのための統合双方向検索フォワード・シミュレーション・フレームワークであるSIMBAを提案する。
このフレームワークは、大気プロファイルの検索と放射率の復元を共同で行い、二つのプロセス間の結合を強化するためのサイクル整合性制約を導入し、圧力レベルに沿った長距離依存を捉えるために、双方向のマンバ状態空間モジュールを用いている。
FY-4A GIIRS観測とERA5再解析データを用いて, 温度検索, 比湿度検索, 長波放射率再構成, 中波放射率再構成について検討した。
実験の結果,SIMBAは検索作業と再構築作業の両方において,複数の代表的な深層学習ベースラインより優れており,アブレーション実験では双方向設計とサイクル整合性機構の寄与が確認された。
以上の結果から,提案手法は大気分布検索と高スペクトル赤外放射率モデリングに有効であることが示唆され,今後のヤコビアン分析やNWP指向拡張の可能性も示唆された。
関連論文リスト
- Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks [0.17188280334580194]
大気補正は光リモートセンシングにおける重要な前処理ステップである。
本研究では,大気補正係数をエミュレートする物理対応多面体サロゲートフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-04T22:43:25Z) - Foundation AI Models for Aerosol Optical Depth Estimation from PACE Satellite Data [8.058012251047336]
エアロゾル光学深度(AOD)の探査は地球観測に不可欠であり、大気質モニタリングから気候研究への応用を支援する。
従来の物理に基づくAOD検索法は、放射移動モデル、メモリ集約的なルックアップテーブル、および補助気象データに頼って、この問題をピクセル単位の逆転として定式化する。
本稿では,AOD検索のための基礎的AIモデルを探索し,チャネルワイドグルーピングに基づく空間回帰フレームワークを用いた視覚変換器であるViTCGを提案する。
論文 参考訳（メタデータ） (2026-05-01T14:06:05Z) - Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。
この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。
本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-03T03:23:43Z) - Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Enhancing Weather Predictions: Super-Resolution via Deep Diffusion Models [0.0]
本研究では,気象データの超解像に対するディープラーニング拡散モデルの適用について検討した。
本稿では,低分解能気象データを高分解能出力に変換する手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T14:15:12Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Synthetic Wave-Geometric Impulse Responses for Improved Speech
Dereverberation [69.1351513309953]
室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。
本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
論文 参考訳（メタデータ） (2022-12-10T20:15:23Z)
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。