論文の概要: Physics-Based Deep Spatiotemporal Hyperlocal Radar Nowcasting with a Multi-Variable U-Net for High-Resolution Precipitation Forecasting

• arxiv url: http://arxiv.org/abs/2607.16080v1
• Date: Fri, 17 Jul 2026 16:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.89619
• Title: Physics-Based Deep Spatiotemporal Hyperlocal Radar Nowcasting with a Multi-Variable U-Net for High-Resolution Precipitation Forecasting
• Title（参考訳）: 高分解能降雨予報用多変数U-Netを用いた物理時空間高局部レーダ流し込み
• Authors: Akshay Sunil, Muhammed Rashid, Raja Sekhar Sivaraju, Sushma Nair, Subimal Ghosh,
• Abstract要約: エンコーダ・デコーダU-Net内で,マルチエレベーション反射率,ドップラー半径速度,ラジアル速度勾配のプロキシ機能を組み合わせたレーダオンリー・ナウキャスティング・フレームワークを開発した。 このモデルは2023年5月から8月にかけてムンバイのドップラーレーダー観測を用いて訓練され、時間的に独立した事象について評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precipitation nowcasting over the immediate 10-90 min period is important for flood management and real-time decision-making in urban regions. Conventional short-range forecasting with high-resolution numerical weather prediction requires frequent data assimilation, model initialization, and spin-up, introducing computational latency. Machine learning provides an alternative by learning storm evolution directly from high-frequency observations and producing forecasts quickly after training. This is particularly relevant for Mumbai, India, where monsoon convection, land-sea interactions, and localized intense rainfall make short-term prediction difficult. Here, we develop a compact radar-only nowcasting framework that combines multi-elevation reflectivity, Doppler radial velocity, and radial-velocity-gradient proxy features within an encoder-decoder U-Net. Using the most recent radar volume scan, the model predicts 12 future composite reflectivity fields at 7.5-min intervals up to 90 min lead time. The derived velocity magnitude, divergence-like, directional-shear, and vorticity-like channels represent kinematic signatures associated with convergence and boundary interactions without requiring full wind-field retrieval. A high-reflectivity attention module improves sensitivity to convective cores, and physics-guided attribution examines whether the learned sensitivities are meteorologically meaningful. The model is trained using Mumbai Doppler radar observations from May to August 2023 and evaluated on temporally independent events. At 90 min lead time, Critical Success Index values are 0.437, 0.332, and 0.193 for $\geq$10, $\geq$20, and $\geq$30 dBZ thresholds, respectively. Compared with persistence, the model gives lower RMSE and higher spatial correlation at longer lead times. Once trained, it runs on a standard computer, generating nowcasts within seconds for real-time use.
• Abstract（参考訳）: 都市部における洪水管理とリアルタイム意思決定には,即時10～90分間の降水が重要である。 高分解能の数値天気予報を伴う従来の短距離予測では、頻繁なデータ同化、モデルの初期化、スピンアップが必要であり、計算遅延が生じる。 機械学習は、高周波観測から直接嵐の進化を学習し、訓練後すぐに予測を生成する代替手段を提供する。 特にインド・ムンバイでは、モンスーン対流、陸海相互作用、局所的な豪雨が短期的な予測を困難にしている。 本稿では,マルチエレベーション反射率,ドップラー半径速度,およびエンコーダ・デコーダU-Net内の放射速度勾配プロキシ機能を組み合わせた,コンパクトなレーダオンリー・ナウキャスティング・フレームワークを開発する。 最新のレーダボリュームスキャンを用いて、このモデルは将来の12の反射率場を7.5分間隔から90分までのリードタイムで予測する。 導出した速度等級, 発散性, 指向性, 渦性チャネルは, 完全な風場探索を必要とせず, 収束と境界相互作用に関連する運動的シグネチャを表現している。 高反射率アテンションモジュールは対流コアに対する感度を改善し、物理誘導属性は学習された感度が気象学的に有意かどうかを調べる。 このモデルは2023年5月から8月にかけてムンバイのドップラーレーダー観測を用いて訓練され、時間的に独立した事象について評価された。 90分間のリードタイムでは、Critical Success Indexの値は0.437、0.332、0.193でそれぞれ$\geq$10、$\geq$20、$\geq$30dBZの閾値である。 持続性と比較して、このモデルはより低いRMSEとより長いリードタイムでの空間相関を与える。 トレーニングが完了すると、標準的なコンピュータ上で動作し、リアルタイム使用のために数秒以内に nowcast を生成する。

関連論文リスト

• 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)
• UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
  UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。 生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
  論文  参考訳（メタデータ） (2026-04-15T07:43:06Z)
• A Spatial-temporal Deep Probabilistic Diffusion Model for Reliable Hail Nowcasting with Radar Echo Extrapolation [23.505051094150126]
  本稿では,レーダエコー外挿によるハイル流し込みのための時空間gEnerAtive Model(SteamCast)を提案する。 SteamCastは、9つの異なる垂直方向のレーダー反射率変数に対して6分間隔で30分間の流星を、中国のヤンヤン市で約1km×1kmの解像度で緯度-経度格子上に供給している。 レーダエコーの時空間的特徴をうまく融合させることで、SteamCastは競争力を提供し、場合によってはPredRNNやVMRNNのような他のディープラーニングベースモデルよりも優れた結果をもたらす。
  論文  参考訳（メタデータ） (2025-03-26T04:14:19Z)
• Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
  ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。 深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。 我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-20T15:56:01Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• MS-nowcasting: Operational Precipitation Nowcasting with Convolutional LSTMs at Microsoft Weather [1.7780828990105975]
  筆者らは,Microsoft Weather の運用型降水管理製品を活用した,エンコーダ・プリキャスト・畳み込み長短期記憶(LSTM)深層学習モデルを提案する。 このモデルは気象レーダーモザイクの連続を入力として、リードタイムで最大6時間、将来のレーダー反射率を決定論的に予測する。
  論文  参考訳（メタデータ） (2021-11-18T21:55:49Z)

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。