論文の概要: Tropospheric temperature and humidity profile retrieval from Meteosat Flexible Combined Imager based on deep learning
- arxiv url: http://arxiv.org/abs/2608.25700v1
- Date: Wed, 26 Aug 2026 12:16:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.81692
- Title: Tropospheric temperature and humidity profile retrieval from Meteosat Flexible Combined Imager based on deep learning
- Title（参考訳）: 深層学習に基づくメテオサットフレキシブルコンバインド画像からの対流圏温度と湿度分布の検索
- Abstract要約: Meteosat Third Generation (MTG) Flexible Combined Imager (FCI)は、対流圏温度と湿度分布の新しい機会を提供する。
入力として予測プロファイルを使わずにFCIから全天球・湿度分布を抽出するための空間認識型深層学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 41.113886294153346
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Meteosat Third Generation (MTG) Flexible Combined Imager (FCI) offers new opportunities for tropospheric temperature and humidity profiling, at higher spatio-temporal resolutions and expanded spectral coverage relative to its predecessor. Vertically resolved retrievals from broadband imagers are inherently challenging, and operational retrieval algorithms typically rely on numerical weather prediction (NWP) background fields to compensate for limited infrared spectral resolution, reducing the retrievals' independence. We develop a spatially aware deep learning framework to retrieve all-sky tropospheric temperature and humidity profiles from FCI, without forecast profiles as input. A Residual U-Net that exploits spatial context across all 16 FCI channels was trained on 14 months of collocated FCI observations and CERRA reanalysis targets over Europe. Validated against independent radiosondes, retrieved temperatures show biases below 0.4 K and standard deviations of 1.5-1.9 K. Retrieved relative humidity standard deviations range from 12-20 %, compared to 9-19 % for CERRA. Performance degrades modestly under clouds, with standard deviation increases below 0.4 K and 3 % RH beneath cloud tops despite limited direct radiative information. Ablation experiments show that spatial context improves retrievals, with the largest gains below cloud tops. Feature sensitivity analysis indicates broad consistency with FCI bands' established radiative transfer characteristics. Visible and near-infrared channels contribute despite not being commonly used in physics-based profile inversions. These results demonstrate that spatially aware deep learning models can extract statistically reliable tropospheric profiles from geostationary imager observations, independent of NWP forecast fields, enabling more rapid autonomous monitoring of the atmosphere.
- Abstract（参考訳）: Meteosat Third Generation (MTG) Flexible Combined Imager (FCI)は、対流圏温度と湿度のプロファイリングの新しい機会を提供する。
ブロードバンド画像からの垂直分解された検索は本質的に困難であり、操作的検索アルゴリズムは典型的に数値気象予測(NWP)の背景場に依存して、限られた赤外線スペクトル分解能を補正し、検索の独立性を低下させる。
本研究では,FCIから全天球温度と湿度分布を入力として予測することなく,空間認識型深層学習フレームワークを開発した。
16のFCIチャンネルにまたがる空間的コンテキストを利用する残留U-Netは、14ヶ月のFCI観測と欧州におけるCERRA再分析の目標に基づいて訓練された。
0.4K未満の偏差と1.5-1.9Kの標準偏差が示され、相対湿度標準偏差はCERRAの9-19%に対して12-20%まで変化している。
雲の下では性能は緩やかに低下し、標準偏差は、直接放射情報に制限があるにもかかわらず、雲頂の0.4K以下、雲頂の3% RH以下に上昇する。
アブレーション実験により、空間的文脈は、雲の頂点以下で最大のゲインを持つ、検索を改善することが示されている。
特徴感度解析は、FCIバンドの確立した放射伝達特性と幅広い整合性を示す。
可視および近赤外チャネルは、物理ベースのプロファイルインバージョンでは一般的に使われていないにもかかわらず、貢献する。
これらの結果から,空間認識型深層学習モデルは,NWP予測場に依存しない静止画像観測から統計的に信頼性の高い対流圏プロファイルを抽出し,大気のより高速な自律的なモニタリングを可能にすることが示された。
関連論文リスト
- Real-time physics inversion for retrieval of sub-pixel wildfire temperatures from VSWIR imaging spectroscopy [0.1792238213835086]
我々は、NASAの空中可視赤外分光計(AVIRIS-3)のデータに基づいて、VSWIRイメージング分光データのための山火事温度検索フレームワークを提案する。
我々は,2025年のファイアセンス AVIRIS-3 キャンペーン全体に対して,総計で168回の飛行を行い,短波長赤外線(SWIR)の帯域間での残留放射率が$leq 10% であることを示す。
後部分布は、絶対誤差が30ドルK、平均絶対誤差が27.16ドルで、基礎となるサブピクセル温度範囲の良好なカバレッジを示す。
論文 参考訳（メタデータ） (2026-08-04T21:57:42Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - SIMBA: ABidirectional Retrieval Forward Simulation Framework for Modeling FY-4A GIIRS Hyperspectral Infrared Radiances Toward NWP Applications [7.547628232546402]
我々は、FY-4A GIIRS高スペクトル赤外放射率モデリングのための統合された双方向検索フォワードシミュレーションフレームワークを提案する。
このフレームワークは、大気プロファイル検索と放射率再構成を共同で行い、サイクル整合性制約を導入する。
実験の結果,SIMBAは検索タスクと再構築タスクの両方において,いくつかの代表的なディープラーニングベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-06-18T08:40:19Z) - CERBERUS: A Three-Headed Decoder for Vertical Cloud Profiles [0.0]
大気雲は複雑な3次元構造と微視的詳細を示す。
このミスマッチは、気象モデルと気候モデルにおけるデータ駆動学習とクラウドプロセスの評価を複雑にする。
本稿では,垂直レーダー反射率プロファイルを生成するための確率的推論フレームワークであるCERBERUSを紹介する。
論文 参考訳（メタデータ） (2026-04-09T21:16:42Z) - Thermal Image Refinement with Depth Estimation using Recurrent Networks for Monocular ORB-SLAM3 [1.4027589547318842]
熱画像から深度情報を抽出するパイプラインを提案する。
このネットワークは、軽量な畳み込みバックボーンと熱精錬ネットワーク(T-RefNet)を組み合わせて生熱入力を精錬する。
改良された熱画像と予測深度マップはORB-SLAM3に統合され、熱のみの局在を可能にする。
論文 参考訳（メタデータ） (2026-03-16T09:02:57Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - 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) - 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 Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - Fusing Optical and SAR time series for LAI gap filling with multioutput
Gaussian processes [6.0122901245834015]
農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。
SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。
本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
論文 参考訳（メタデータ） (2020-12-05T10:36:45Z)
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。