論文の概要: QWRF-Net: A Quantum-Wavelet Framework with Rectified Flow for Short-Term Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2608.01626v1
- Date: Mon, 03 Aug 2026 02:58:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.306058
- Title: QWRF-Net: A Quantum-Wavelet Framework with Rectified Flow for Short-Term Precipitation Nowcasting
- Title（参考訳）: QWRF-Net:短期降水開始のための整流型量子ウェーブレットフレームワーク
- Abstract要約: 警告指向の流し込みにおける主要な課題は、レーダー降水場が強く結合したマルチスケール構造を含んでいることである。
QWRF-Net は,短期降水量予測のための補正フローを備えた量子ウェーブレットフレームワークである。
- 参考スコア（独自算出の注目度）: 4.271790881899781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-term precipitation nowcasting is important for hydrometeorological early warning, especially when intense convective rainfall may trigger urban flooding, flash floods, and other high-impact hazards. A key challenge in warning-oriented nowcasting is that radar precipitation fields contain strongly coupled multi-scale structures, while forecast quality often degrades at later lead times, making it difficult to preserve intense precipitation cores and their spatial organization over the full warning-relevant horizon. To address this problem, we propose QWRF-Net, a quantum-wavelet framework with rectified flow for short-term precipitation nowcasting. The core idea is to improve the conditional representation of precipitation by explicitly decomposing latent features into wavelet sub-bands and then performing differentiated quantum-inspired modulation in the decomposed latent space, before generating future sequences through a rectified-flow-based non-autoregressive decoder. Experiments on the KNMI radar and SEVIR benchmarks under a unified evaluation protocol show that QWRF-Net achieves favorable overall performance, with relatively consistent gains at medium-to-high precipitation thresholds, on an extreme-event subset, and in preserving intense precipitation cores and fine-scale structures. Ablation results further indicate that wavelet-based scale disentanglement, differentiated sub-band modulation, and flow-based generation provide complementary benefits within the proposed framework. Overall, these results suggest that jointly enhancing multi-scale precipitation representation and stable multi-step generation is a promising direction for warning-oriented short-term precipitation nowcasting. The observed improvements may also provide a more useful precipitation basis for downstream hydrological and warning-related applications.
- Abstract（参考訳）: 短期降水は今、特に激しい対流降雨が都市洪水、洪水、その他の高影響の危険を引き起こす場合、気象早期警戒にとって重要である。
警告指向の流し込みにおける重要な課題は、レーダー降水場が強く結合したマルチスケール構造を含んでいるのに対して、予測品質は後続のリードタイムで劣化することが多く、警報関連地平線上での激しい降水コアとその空間的構造を維持することは困難である。
この問題に対処するため,短時間の降水流に整流した量子ウェーブレットフレームワークであるQWRF-Netを提案する。
中心となる考え方は、遅延特徴をウェーブレットサブバンドに明示的に分解し、次に分解された遅延空間で微分量子インスパイアされた変調を行い、修正フローベースの非自己回帰デコーダによって将来のシーケンスを生成することにより、降水の条件表現を改善することである。
KNMIレーダとSEVIRベンチマークを統一評価プロトコルで実験したところ、QWRF-Netは、中～高濃度の降水閾値で比較的一貫した利得、極端な降水コアと微細な構造を保ちながら、良好な総合的な性能を達成することが示された。
さらにアブレーションの結果,ウェーブレットによるスケールの歪み,差分サブバンド変調,フローベース生成が,提案フレームワークの相補的な利点をもたらすことが示唆された。
以上の結果から,多段階降水表現と安定な多段階降水は,警告指向の短期降水今流に期待できる方向であることが示唆された。
観測された改善は、下流の水文学および警告関連アプリケーションに、より有用な降水基盤を提供する可能性がある。
関連論文リスト
- FreCast: Refining Radar Echo Intensity via Phase-Preserving Amplitude Residual Diffusion for Precipitation Nowcasting [2.3055976924348394]
本稿では,レーダエコー予測のための2段階フレームワークFreCastを提案する。
第1段階は、将来のレーダーエコーの最初の予測を生成する。
第2段階では、初期予測の空間構造を、さらなる強度バイアスの補正の制約として用いる。
論文 参考訳（メタデータ） (2026-08-09T03:08:25Z) - RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs [31.6943694848236]
RainODEは、Neural ODEを使用して潜在空間の降水進化をモデル化するフレームワークである。
この定式化により、微分整合時間力学が実現され、降水系の大規模対流運動が支配的となる。
ブラウン橋に基づく震源モデリングモジュールは、微細な構造を保ちながら残留強度の変動を復元する。
論文 参考訳（メタデータ） (2026-06-29T06:48:02Z) - Temporal Context Conditioning for Seasonality-Aware Precipitation Nowcasting of High-Intensity Rainfall [2.0912407740405903]
本稿では,特に高強度降雨において,軽量時空間がレーダによる流況改善に有効かどうかを考察する。
KNMIレーダの降水データによる実験では、時空条件付けは希少で高強度の降水イベントにとって最も有益であることが示されている。
これらの結果から, 単純で物理的に動機づけられた時間的文脈は, 深層学習に基づく降水流の現実性と信頼性を向上させることが示唆された。
論文 参考訳（メタデータ） (2026-06-08T12:28:28Z) - PA-Net: Precipitation-Adaptive Mixture-of-Experts for Long-Tail Rainfall Nowcasting [30.94380402656709]
洪水警報、農業管理、緊急対応には降水量計が不可欠である。
降雨強度によって計算予算が明示的に制御される変圧器フレームワークである降雨適応ネットワーク(PA-Net)を提案する。
ERA5の実験では、最先端のベースラインよりも一貫した改善が示され、強風と暴風雨の状況が著しく向上した。
論文 参考訳（メタデータ） (2026-03-14T08:02:07Z) - CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。
SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。
大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
論文 参考訳（メタデータ） (2026-02-18T14:41:54Z) - Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。
我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
論文 参考訳（メタデータ） (2026-02-05T01:55:14Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - 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) - Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T05:42:27Z)
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。