論文の概要: Diffusion-Based Refinement for Kilometer-Scale Probabilistic Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2608.30205v1
- Date: Mon, 31 Aug 2026 03:35:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.212425
- Title: Diffusion-Based Refinement for Kilometer-Scale Probabilistic Precipitation Nowcasting
- Title（参考訳）: キルメータスケールの確率的降雨予報用拡散型リファインメント
- Authors: Dohyun Park, Changhoon Song, Tengyuan Chang, Yoo-Geun Ham, Youngjoon Hong,
- Abstract要約: ExPreCast-ENSは、決定論的4kmレーダー流星exPreCastを1km確率アンサンブルに変換する条件付き残留拡散フレームワークである。
2023年の2回のハイインパクトイベントでは、30人のアンサンブルが、exPreCastが見逃した重いピクセルの38-47%を回復した。
この方法は、単一のGPU上で3.4秒で1-hの予測を生成し、フランスの地域MeteoNetレーダーデータセットに一貫した改善をもたらす。
- 参考スコア（独自算出の注目度）: 6.153032052931917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Localized extreme precipitation is a major trigger of urban flash floods and landslides, yet producing nowcasts that combine fine spatial detail with probabilistic uncertainty remains challenging. Here we introduce exPreCast-ENS, a conditional residual diffusion framework that transforms the deterministic 4 km radar nowcaster exPreCast into a 1 km probabilistic ensemble while correcting systematic forecast errors. Conditioning on both the forecast and preceding radar observations lets the ensemble-mean correct the baseline rather than perturb it, while members represent unresolved fine-scale variability. Over the Korean Peninsula, skill improves with ensemble size. In two high-impact events in 2023, a 30-member ensemble recovers 38-47% of heavy-rain pixels missed by exPreCast while retaining approximately 95% of its correct detections and alarming on under 1% of the pixels it correctly left clear. The method generates a 1-h forecast in 3.4 s on a single GPU and yields consistent improvements on the French regional MeteoNet radar dataset.
- Abstract（参考訳）: 局所的な極端降水は都市部の洪水洪水や地すべりの大きな引き金となっているが、細かな空間的詳細と確率的不確実性を組み合わせた流星はいまだに困難である。
ここでは,決定論的4kmレーダ流し器exPreCastを1km確率アンサンブルに変換し,系統的予測誤差を補正する条件付き残留拡散フレームワークexPreCast-ENSを紹介する。
予測とそれ以前のレーダー観測の両方を条件にすることで、アンサンブル平均は摂動ではなくベースラインを補正し、メンバーは未解決の微細な変動を表現できる。
朝鮮半島では、アンサンブルサイズが向上する。
2023年の2つのハイインパクトな出来事において、30人のアンサンブルはexPreCastが見逃した重いピクセルの38-47%を回復させ、その検出の95%を正しく保持し、正しく残したピクセルの1%以下を警告した。
この方法は、単一のGPU上で3.4秒で1-hの予測を生成し、フランスの地域MeteoNetレーダーデータセットに一貫した改善をもたらす。
関連論文リスト
- MAGPIE-Net: Predicting short-duration heavy-rainfall events in station neighborhoods from multitemporal FY-4A AGRI observations [5.170200431898208]
短時間の重雨警報は、1hの降水量が目標駅付近のしきい値を超えるかどうかを判断する。
殆どのディープラーニングの流し込み手法は、グリッド化された降水予測の後処理によってこれらの信号を局所的な警告に変換する。
我々は,地理的に適応し,異なるグリッド・ツー・ステーション・マッピングを経路に組み込んだMAGPIE-Netを提案する。
論文 参考訳（メタデータ） (2026-08-18T13:17:21Z) - 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) - SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。
生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
論文 参考訳（メタデータ） (2026-05-15T16:42:45Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - RadProPoser: A Framework for Human Pose Estimation with Uncertainty Quantification from Raw Radar Data [1.5318029014836756]
複素数値レーダテンソルを処理する確率的エンコーダデコーダアーキテクチャであるRadProPoserを紹介する。
変分推論をキーポイント回帰に組み込むことで、RadProPoserは26の3次元関節位置を共同で予測する。
RadProPoserは、光学式モーションキャプチャー地上真実を用いて、45度の角度で5.678cmの6.425cmの総合平均接合位置誤差(MPJPE)を達成した。
論文 参考訳（メタデータ） (2025-08-05T15:46:05Z) - FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。
FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。
その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文 参考訳（メタデータ） (2025-07-16T11:22:18Z) - 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) - 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)
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。