論文の概要: FreCast: Refining Radar Echo Intensity via Phase-Preserving Amplitude Residual Diffusion for Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2608.08436v1
- Date: Sun, 09 Aug 2026 03:08:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.825468
- Title: FreCast: Refining Radar Echo Intensity via Phase-Preserving Amplitude Residual Diffusion for Precipitation Nowcasting
- Title（参考訳）: FreCast: 降雨予報のための位相保存残差拡散によるレーダーエコー強度の精製
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3055976924348394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precipitation nowcasting predicts the spatiotemporal evolution of future radar echoes from historical radar echo sequences, thereby estimating the occurrence, development, and movement of precipitation over the near term. In recent years, deep learning has become an important approach to precipitation nowcasting. Although state-of-the-art models can generally capture the overall spatial distribution of future precipitation, their predictions still exhibit substantial biases in radar echo intensity at individual locations. This observation motivates a more targeted strategy for reducing forecast errors. Instead of regenerating an entire radar echo sequence without spatial constraints, the predicted precipitation structure can be used to guide the refinement of echo intensities at individual locations. This structure-guided refinement directly targets echo intensity biases. Accordingly, we propose FreCast, a two-stage framework for radar echo prediction. The first stage generates an initial forecast of future radar echoes. The second stage uses the spatial structure of the initial forecast as a constraint to further correct intensity biases at individual locations in the first-stage prediction. Experiments on three datasets demonstrate that FreCast achieves consistent improvements across forecast skill metrics. Qualitative results further show that FreCast better preserves rainband continuity and intense precipitation structures at longer lead times.
- Abstract（参考訳）: 降水流速計は、過去のレーダエコー系列から将来のレーダエコーの時空間的進化を予測し、近い将来の降水の発生、発生、移動を推定する。
近年, 深層学習は降水流への重要なアプローチとなっている。
最先端のモデルは、一般的に将来の降水量の空間分布を捉えることができるが、それらの予測は、個々の場所でのレーダーエコー強度のかなりのバイアスを示す。
この観察は、予測誤差を減らすためのより標的となる戦略を動機付けている。
空間的制約なしにレーダエコーシーケンス全体を再生する代わりに、予測降水構造を用いて個々の場所でのエコー強度の洗練を導くことができる。
この構造誘導微細化はエコー強度バイアスを直接対象とする。
そこで本研究では,レーダエコー予測のための2段階フレームワークである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段階は、初期予測の空間構造を制約として使用し、第1段階の予測において個々の位置における強度バイアスをさらに補正する。
3つのデータセットの実験では、予測スキルメトリクス間でFreCastが一貫した改善を達成している。
さらに定性的な結果から,FreCastはより長いリード時間で雨帯連続性と激しい降水構造を保存できることが示唆された。
関連論文リスト
- PixelFlowCast: Latent-Free Precipitation Nowcasting via Pixel Mean Flows [3.219438344967702]
本稿では,2段階の確率予測フレームワークであるPixelFlowCastを提案する。
公開されているSEVIRデータセットの実験では、PixelFlowCastは予測精度と推論効率の両方で、既存の主流メソッドよりも優れています。
論文 参考訳（メタデータ） (2026-05-11T06:16:02Z) - 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) - Rectifying Distribution Shift in Cascaded Precipitation Nowcasting [1.1724961392643483]
降水流速計は、現在のレーダー観測を活用して、高潮予報を提供することを目的としている。
局所性の発生から平均場シフトの是正を明確に結合するフレームワークであるRectiを紹介する。
2つのレーダデータセットの実験により、Rectiは既存の最先端メソッドよりも大幅にパフォーマンスが向上していることが示された。
論文 参考訳（メタデータ） (2025-11-19T02:06:30Z) - 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) - GPTCast: a weather language model for precipitation nowcasting [0.0]
GPTCastは、レーダベースの降雨をアンサンブルする深層学習法である。
我々は、トークン化レーダ画像を用いて降水動態を学習するために、GPTモデルを用いて予測を行う。
論文 参考訳（メタデータ） (2024-07-02T09:25:58Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - 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) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Accurate and Clear Precipitation Nowcasting with Consecutive Attention
and Rain-map Discrimination [11.686939430992966]
本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。
このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
論文 参考訳（メタデータ） (2021-02-16T14:22:54Z)
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。