論文の概要: Physics-Informed Feature Engineering 1D-CNN for Multilayer Cloud Detection from Geostationary Satellites

• arxiv url: http://arxiv.org/abs/2607.16270v1
• Date: Tue, 07 Jul 2026 14:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.912958
• Title: Physics-Informed Feature Engineering 1D-CNN for Multilayer Cloud Detection from Geostationary Satellites
• Title（参考訳）: 静止衛星からの多層雲検出のための物理インフォームド特徴工学1D-CNN
• Abstract要約: アクティブ・パッシブ観測から多層雲を検出することは、数値的な天気予報に不可欠である。 本研究では,1D-CNNが0.620のマルチ層雲検出確率(mathrmPODmathrmmul$)と0.240の誤報率(mathrmFARmathrmmul$)を達成する。
• 参考スコア（独自算出の注目度）: 13.577049210745999
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multilayer cloud detection from active--passive observation is vital for numerical weather prediction. In this study, channel selections derived from threshold-based algorithms are embedded as feature-engineering priors into a 1D-CNN, and machine learning (ML) is used to learn latent physical relationships to simplify physical retrievals for operational deployment. The results show that the 1D-CNN achieves a multilayer-cloud probability of detection ($\mathrm{POD}{\mathrm{mul}}$) of 0.620 and a false alarm rate ($\mathrm{FAR}{\mathrm{mul}}$) of 0.240, outperforming the conventional threshold algorithm ($\mathrm{POD}{\mathrm{mul}} = 0.558$, $\mathrm{FAR}{\mathrm{mul}} = 0.369$). These results demonstrate that prior physical knowledge derived from radiative transfer theory can serve as an effective feature-engineering prior. Further experiments show that ML-revealed physical mechanisms can also enhance traditional algorithms. Replacing AGRI channel 12 (C12, centered at $10.8~μ\mathrm{m}$) with channel 13 (C13, centered at $12.0~μ\mathrm{m}$) increased $\mathrm{POD}{\mathrm{mul}}$ from 0.558 to 0.609 without materially affecting $\mathrm{FAR}{\mathrm{mul}}$. However, for AHI, substituting the $11.2~μ\mathrm{m}$ channel with the $12.3~μ\mathrm{m}$ channel yielded negligible improvement. In addition to spectral response function (SRF) mismatches, a primary contributing factor is the channels' on-orbit radiometric stability. Hence, physics-informed machine-learning methods appear promising for advancing remote-sensing AI, while sensor-specific characteristics must be considered during operational transfer.
• Abstract（参考訳）: アクティブ・パッシブ観測から多層雲を検出することは、数値的な天気予報に不可欠である。 本研究では、しきい値に基づくアルゴリズムから派生したチャネル選択を1D-CNNに組み込み、機械学習(ML)を用いて遅延物理関係を学習し、運用展開のための物理検索を簡略化する。 その結果,1D-CNNは検出のマルチ層クラウド確率(0.620)と誤警報率(0.240)を達成し,従来のしきい値アルゴリズム(0.558$,$\mathrm{FAR}{\mathrm{mul}} = 0.369$)を上回った。 これらの結果は、放射移動理論から導かれる事前の物理知識が、効果的な特徴工学の先駆的役割を果たすことを示した。 さらなる実験により、MLの物理機構が従来のアルゴリズムを拡張できることが示されている。 AGRIチャネル12 (C12, 10.8~μ\mathrm{m}$) をチャネル13 (C13, 12.0~μ\mathrm{m}$) に置き換えると、$\mathrm{POD}{\mathrm{mul}}$を0.558から0.609に引き上げるが、$\mathrm{FAR}{\mathrm{mul}}$に大きく影響しない。 しかし、AHIの場合、11.2〜μ\mathrm{m}$チャネルに12.3〜μ\mathrm{m}$チャネルを置換すると無視できる改善が得られた。 スペクトル応答関数(SRF)のミスマッチに加えて、主な寄与要因はチャネルの軌道上のラジオメトリック安定性である。 したがって、物理インフォームド機械学習手法は、遠隔センシングAIを前進させる上で有望であるように思われる。

関連論文リスト

• Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
  自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。 我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。 この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
  論文  参考訳（メタデータ） (2026-08-01T13:49:46Z)
• Learning Residual Kinematic Corrections for Continuous Neural Decoding via Reinforcement Learning [2.9958775201873205]
  CNN--LSTMデコーダ(CNN--LSTM--RL)の出力に強化学習(RL)を適用した2段階デコーダを提案する。 RLエージェントは、直接のEEG入力なしでオフラインで訓練され、代わりに予測された運動軌跡を操作して、目標軌跡に対する運動精度を最適化する。 これらの結果は、このスケーラブルなフレームワークは、追加の神経データなしでオフライン残差RLによるキネマティックエラーを補正し、神経リハビリテーション、補綴、仮想相互作用を前進させることにより、3D BCI MIデコーディングを強化することを示している。
  論文  参考訳（メタデータ） (2026-07-13T13:15:18Z)
• Thermal Anomaly Detection using Physics Aware Neuromorphic Networks: Comparison between Raw and L1C Sentinel-2 Data [5.904895437536006]
  近年の地球観測では、非圧縮レベル0(L0)センサーデータに基づいて、熱異常検出が直接行われることが示されている。 データの直接利用は、ドメインシフト、センサードリフト、ラジオメトリックの不整合、ラベル付きトレーニングサンプルの不足など、依然として困難である。 本研究は, 搭載熱異常検出のための物理対応ニューロモルフィックネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-10T02:15:02Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
  対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。 次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。 C=e(log H)1-Omega(1)$。
  論文  参考訳（メタデータ） (2025-02-18T02:52:00Z)
• Efficient k-Nearest-Neighbor Machine Translation with Dynamic Retrieval [49.825549809652436]
  $k$NN-MTはドメイン固有の翻訳知識を保持するために外部データストアを構築する。 適応検索(k$NN-MT-AR)は、$lambda$を動的に推定し、$lambda$が固定しきい値以下であれば$k$NN検索をスキップする。 本稿では,バニラ$k$NN-MTを大幅に拡張した動的検索(k$NN-MT-DR)を提案する。
  論文  参考訳（メタデータ） (2024-06-10T07:36:55Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Low PAPR MIMO-OFDM Design Based on Convolutional Autoencoder [20.544993155126967]
  ピーク対平均電力比(mathsfPAPR$)削減と波形設計のための新しい枠組みを提案する。 畳み込みオートコーダ(mathsfCAE$)アーキテクチャが提示される。 1つのトレーニングされたモデルが、幅広いSNRレベルにわたって、$mathsfPAPR$の削減、スペクトル設計、および$mathsfMIMO$の検出のタスクをカバーしていることを示す。
  論文  参考訳（メタデータ） (2023-01-11T11:35:10Z)
• 3D Detection and Characterisation of ALMA Sources through Deep Learning [0.0]
  本稿では,Atacama Large Millimeter/submillimeter Array (ALMA) データキューブ内の天文学的情報源の検出と評価を目的として,Deep-Learning (DL)パイプラインを提案する。 パイプラインは、統合データキューブの空間領域内でのソース検出のための畳み込みオートエンコーダ、周波数領域内での遅延検出とピーク検出のためのリカレントニューラルネットワーク(RNN)、ソースキャラクタリゼーションのためのResidual Neural Networks(ResNets)の6つのDLモデルで構成されている。
  論文  参考訳（メタデータ） (2022-11-21T13:50:35Z)
• Training Overparametrized Neural Networks in Sublinear Time [14.918404733024332]
  ディープラーニングには膨大な計算とエネルギーのコストが伴う。 探索木の小さな部分集合として、二分ニューラルネットワークの新しいサブセットを示し、それぞれが探索木のサブセット(Ds)に対応する。 我々はこの見解が深層ネットワーク(Ds)の分析解析にさらに応用できると考えている。
  論文  参考訳（メタデータ） (2022-08-09T02:29:42Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。