論文の概要: Dense-Cast: A lightweight ensemble of deep learning architectures for precipitation nowcasting

• arxiv url: http://arxiv.org/abs/2608.06082v1
• Date: Thu, 06 Aug 2026 14:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.774054
• Title: Dense-Cast: A lightweight ensemble of deep learning architectures for precipitation nowcasting
• Title（参考訳）: Dense-Cast: 降水用ディープラーニングアーキテクチャの軽量アンサンブル
• Abstract要約: 半時間降水に対する軽量な深層学習モデルを提案する。 提案モデルでは,過去5回の半時間降雨を入力とし,次の2回の半時間降雨を予測する。 提案された最良のMAEは0.235ミリメートル、RMSEは0.735ミリメートル、KGEスコアは0.816の30分間隔であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proper short-term forecasting of precipitation is crucial in disaster management and preparedness. Nonetheless, the variability and nonlinearity of precipitation make short-term forecasting challenging for meteorologists. Moreover, capturing temporal dependencies in spatiotemporal data is a challenge in precipitation nowcasting. In this article, we introduce a lightweight deep learning model for half-hourly precipitation nowcasting. This model has been designed by incorporating the DenseNet architecture, residual connections, and transformer encoders for effective precipitation nowcasting with reduced model parameters. The North-Eastern region of India has been selected as the area of interest for our study. The region receives the highest precipitation during the months of June-September due to the monsoon season. The proposed model takes the previous five time-steps of half-hourly precipitation as inputs and predicts the precipitation in the next two half-hours. The GPM IMERG precipitation dataset with a 30-minute cadence has been used in this study for training and testing the model. The proposed architecture achieves best MAE of 0.235 millimetres, RMSE of 0.735 millimetres, and KGE score of 0.816 at an interval of 30 minutes.
• Abstract（参考訳）: 降水量の短期予測は、災害管理と準備に不可欠である。 それでも、降水の変動性と非線形性は、気象学者にとって短期的な予測を困難にしている。 さらに、時空間データにおける時間的依存関係のキャプチャは、降水処理における課題である。 本稿では,半時間降水に対する軽量な深層学習モデルについて紹介する。 このモデルはDenseNetアーキテクチャ、残差接続、トランスフォーマーエンコーダを組み込んで設計されており、モデルパラメータの削減による効果的な降水処理を実現している。 インドの東北地方は我々の研究の関心領域として選ばれてきた。 モンスーンの季節のため、6月から9月にかけての降水量が最も多い。 提案モデルでは,過去5回の半時間降雨を入力とし,次の2回の半時間降雨を予測する。 30分周期のGPM IMERG降水データセットを用いて,モデルのトレーニングと試験を行った。 提案アーキテクチャは0.235ミリメートル,RMSE0.735ミリメートル,KGEスコア0.816を30分間隔で達成する。

関連論文リスト

• Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework [5.484147776963721]
  本研究では,CNN-LSTMハイブリッドフレームワークに基づく多次元降水指数予測モデルを提案する。 このデータセットはインドのマハーラーシュトラ州プーンで1972年から2002年までの月間平均降水量のデータをカバーしている。 実験の結果,6.752の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-04-29T05:32:43Z)
• DYffCast: Regional Precipitation Nowcasting Using IMERG Satellite Data. A case study over South America [3.583227696181354]
  降水量を正確に把握する能力は、社会を守るためにますます重要になっている。 本稿では,近年の降水時発生モデルの成功に触発されて,DYffusionフレームワークをこの課題に拡張する。 DYffusionフレームワークを改良し、降雨データをモデル化し、MSE、MAE、LPIPSの知覚スコアを組み合わせた新たな損失関数を導入する。
  論文  参考訳（メタデータ） (2024-12-02T22:20:31Z)
• 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)
• Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
  この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。 予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
  論文  参考訳（メタデータ） (2023-10-02T23:09:59Z)
• 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)
• 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)
• WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
  ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。 我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。 WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
  論文  参考訳（メタデータ） (2023-02-08T14:50:52Z)
• PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
  本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。 PCT-CycleGANは画像間翻訳において高い性能を示す。 反復予測で最大2時間の信頼性のある予測を提供する。
  論文  参考訳（メタデータ） (2022-11-28T04:08:55Z)
• 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)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。