論文の概要: Benchmarking ConvLSTM for One-Day-Ahead IMDAA Rainfall-Field Prediction across Four Indian Cities

• arxiv url: http://arxiv.org/abs/2607.26581v1
• Date: Wed, 29 Jul 2026 08:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.5763
• Title: Benchmarking ConvLSTM for One-Day-Ahead IMDAA Rainfall-Field Prediction across Four Indian Cities
• Title（参考訳）: インド4都市における1日ごとの降雨量予測のためのConvLSTMのベンチマーク
• Authors: Tanmay Ghosh, Shaurabh Anand, Rakesh Gomaji Nannewar, Nithin Nagaraj,
• Abstract要約: 本研究は,1日ごとの降水量予測において,畳み込み再帰が改善するか否かを検証した。 大気のみ, 降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional long short-term memory networks (ConvLSTMs) are widely used for precipitation forecasting, but most evidence for their performance comes from dense, high-frequency radar sequences. This study tests whether convolutional recurrence improves one-day-ahead rainfall-field prediction on small daily reanalysis grids. Indian Monsoon Data Assimilation and Analysis (IMDAA) fields for June-September 1998-2020 were analysed for Bengaluru, Delhi, Kolkata and Mumbai. Ten naive, statistical, tree-based and neural approaches were compared using atmospheric-only and rainfall-history-plus-atmospheric inputs. Performance was assessed for complete fields, domain-mean rainfall, spatial anomalies and high-rainfall days. ConvLSTM did not consistently outperform simpler alternatives. FC-LSTM produced the numerically lowest domain-mean rainfall error in Bengaluru, Kolkata and Mumbai, whereas persistence performed best in Delhi. ConvLSTM produced the numerically lowest spatial-anomaly error only in Mumbai, where rainfall fields showed greater short-term spatial continuity and rainfall-history inputs improved all three neural architectures. The difference between ConvLSTM and FC-LSTM was nevertheless small. Neural models underestimated rainfall magnitude and predicted too few threshold exceedances on high-rainfall days, while persistence achieved the highest detection performance in every city. Post-hoc analyses showed that the selected models were most sensitive to the latest input day, with broader recent-lag sensitivity in Mumbai. These findings show that gridded inputs alone do not justify ConvLSTM and that architecture choice should follow strong benchmarking across average, spatial and high-rainfall performance.
• Abstract（参考訳）: 畳み込み型長期記憶ネットワーク(ConvLSTMs)は降水予測に広く用いられているが、その性能を示すほとんどの証拠は密度の高い高周波レーダーシーケンスに由来する。 本研究は,1日ごとの降水量予測において,畳み込み再帰が改善するか否かを検証した。 1998-2020年6月から9月にかけてインドのモンスーンデータ同化分析(IMDAA)分野をベンガル、デリー、コルカタ、ムンバイで分析した。 大気のみ, 降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降雨・降 完全フィールド, ドメイン平均降雨量, 空間異常量, 高雨日について, 評価を行った。 ConvLSTMはより単純な代替品を一貫して上回らなかった。 FC-LSTMは, ベンガルル, コルカタ, ムンバイにおいて, ドメイン平均降水誤差が最も低い値を示した。 ConvLSTMはムンバイでのみ数値的に低い空間異常を発生させ、降雨場はより短期的な空間連続性を示し、降雨履歴入力は3つのニューラルネットワークアーキテクチャ全てを改善した。 FC-LSTMとConvLSTMの差は小さい。 ニューラルモデルは降雨の規模を過小評価し、高雨の日にしきい値超過を予測したが、持続性は各都市で最も高い検出性能を達成した。 ポストホック分析では、選択されたモデルは最新の入力日に対して最も敏感であり、最近のムンバイではより広範囲なラグ感度を示した。 これらの結果は,グリッド化された入力だけではConvLSTMを正当化せず,アーキテクチャの選択は平均的,空間的,高レイフォール性能で強いベンチマークに従うべきであることを示唆している。

関連論文リスト

• Deep Learning for Short-Term Precipitation Prediction in Four Major Indian Cities: A ConvLSTM Approach with Explainable AI [0.6524460254566904]
  インドの主要都市4都市において,短期降水予測のための解釈可能なディープラーニングフレームワークを開発した。 根平均二乗誤差(RMSE)は0.21mm/日(ベンガル)、0.52mm/日(ムンバイ)、0.48mm/日(デルヒ)、1.80mm/日(コルカタ)である。 この研究は、様々な都市環境における降水パターンに対する正確な予測と透明な洞察を提供するための説明可能なAI(xAI)の方法を示す。
  論文  参考訳（メタデータ） (2025-11-14T10:30:01Z)
• When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria [0.44198435146063364]
  本研究では,複数汚染物質を予測するためのLong Short-Term Memory(LSTM)ネットワークとFacebook Prophetモデルを評価する。 その結果、預言者はしばしばLSTMの正確さ、特に季節的・長期的な傾向に支配されるシリーズにおいて一致または超えていることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T09:23:59Z)
• Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
  本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。 この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
  論文  参考訳（メタデータ） (2024-04-01T13:56:12Z)
• Unleashing the Power of Dynamic Mode Decomposition and Deep Learning for Rainfall Prediction in North-East India [0.27488316163114823]
  本研究では,DMD(Dynamic Mode Decomposition)とLSTM(Long Short-Term Memory)という2つのデータ駆動手法を用いた降雨予測手法について検討した。 複数の気象観測所から得られた過去の降雨データを用いて,将来の降雨パターンを予測するためのモデルを訓練し,検証した。 以上の結果から,インド北東部地域の降雨予測精度は,データ駆動手法により著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-09-17T17:58:06Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network [0.5735035463793008]
  インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。 地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。 結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
  論文  参考訳（メタデータ） (2020-10-22T15:01:22Z)

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。