論文の概要: MZ-Rain: Moisture-Budget-Guided Zero-Inflated Model for Station-Level Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2609.04864v1
- Date: Fri, 04 Sep 2026 08:24:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.972574
- Title: MZ-Rain: Moisture-Budget-Guided Zero-Inflated Model for Station-Level Precipitation Nowcasting
- Title（参考訳）: MZ-Rain:ステーションレベル降雨予報用湿式バッジ誘導ゼロインフレーションモデル
- Abstract要約: MZ-Rainは, 局面降水流用湿式誘導型ゼロインフレーションSLSTMフレームワークである。
MZ-Rainは、降水生成過程を、水分貯蔵、水分輸送、表面蒸発、降水持続性に対応するプロセス固有の経路に分解する。
CSI、FAR、MSE、MAEなど、複数の評価指標において、一貫して強力なベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 18.922294934481464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate station-level precipitation nowcasting is critical for agriculture, water resource management, and disaster prevention, which typically is formulated as a time series forecasting problem. However, conventional time-series modeling techniques face two major challenges in addressing station-level precipitation nowcasting: (1) Lack of Physics-Guided Modeling}, where meteorological variables are treated as a homogeneous set without accounting for their distinct roles in precipitation formation, leads to predictions that deviate from the physical processes governing precipitation. (2) Severe zero inflation in precipitation, where dry intervals dominate the dataset, obscuring meaningful precipitation patterns and complicating the predictive modeling. To address these challenges, we propose \textbf{MZ-Rain}, a moisture-budget-guided zero-inflated sLSTM framework for station-level precipitation nowcasting. Guided by the moisture budget equation, MZ-Rain decomposes the precipitation formation process into process-specific pathways corresponding to moisture storage, moisture transport, surface evaporation, and precipitation persistence, and captures their temporal evolution through dedicated sLSTM branches. To account for the zero-inflated nature of precipitation, MZ-Rain introduces an adaptive Tweedie modeling strategy that adaptively modulates the rainfall mean while jointly learning precipitation occurrence as an auxiliary task, enabling the model to better balance dry-wet discrimination and quantitative precipitation estimation. Extensive experiments across diverse geographical and climatic regimes demonstrate that MZ-Rain consistently outperforms strong baselines on multiple evaluation metrics, including CSI, FAR, MSE, and MAE. In particular, the model exhibits superior skill in forecasting heavy precipitation events, while benefiting from physically grounded process modeling.
- Abstract（参考訳）: 正確なステーションレベルの降水量計は農業、水資源管理、防災に重要であり、通常は時系列予測問題として定式化されている。
しかし, 従来の時系列モデリング手法では, 1) 気象変数が降水形成における個々の役割を考慮せずに均質な集合として扱われる物理誘導モデリングの欠如は, 降水支配の物理過程から逸脱する予測につながる。
2) 乾燥間隔がデータセットを支配し, 有意義な降水パターンを隠蔽し, 予測モデリングを複雑化する降水量ゼロのインフレーションを重要視する。
これらの課題に対処するために, 局面降水量計のための湿式無膨潤SLSTMフレームワークである \textbf{MZ-Rain} を提案する。
湿式で導かれたMZ-Rainは、降水過程を、水分貯蔵、水分輸送、表面蒸発、降水持続性に対応するプロセス固有の経路に分解し、専用のsLSTM枝を通してその時間的進化を捉える。
MZ-Rain は降雨のゼロ膨張特性を考慮し,降雨発生を補助課題として学習しながら降雨平均を適応的に調整し,乾湿式判別と定量的降雨推定のバランスを良くする適応型ツイーディモデルを導入した。
MZ-Rainは、CSI、FAR、MSE、MAEなど、複数の評価指標において、強い基準線を一貫して上回っている。
特に、このモデルは、物理的に基底化されたプロセスモデリングの恩恵を受けながら、重降雨事象を予測する優れた技術を示す。
関連論文リスト
- Enhancing the Forecasting Capability of Multi-Model Blending Algorithms for Extreme Precipitation via Joint Use of Station and Gridded Observations [10.058122938830389]
従来の降水多モデルブレンディングアルゴリズムは、重みに基づいて予測フィールド上でピクセル・バイ・ピクセルブレンディングを行う。
本研究では,6つの主要なNWPモデルからの予測をブレンドするために,確率分類と値再構成という2段階の枠組みを提案する。
中国2411の気象観測所からの観測を損失関数に組み込むことにより, 新たな局間共同監視機構を導入する。
論文 参考訳（メタデータ） (2026-07-06T09:35:58Z) - RainBalance: Alleviating Dual Imbalance in GNSS-based Precipitation Nowcasting via Continuous Probability Modeling [17.783666279038673]
降水流の二重不均衡問題に対処するための連続確率モデリングに基づくフレームワークであるRainBalanceを提案する。
この連続確率空間で学習することにより、このタスクは、単一および非バランスな降水ラベルの適合から連続確率ラベルの分布のモデル化へと再構成される。
論文 参考訳（メタデータ） (2026-01-05T08:07:43Z) - DPSformer: A long-tail-aware model for improving heavy rainfall prediction [48.884870685632755]
DPSformerは,高分解能分岐による豪雨イベントの表現を充実させる長テール認識モデルである。
豪雨の場合、DPSformerはベースラインの数値気象予測(NWP)モデルのCritical Success Index(CSI)を0.012から0.067に引き上げる。
我々の研究は、降雨予測のための効果的な長期的パラダイムを確立し、早期警戒システムを強化し、極端な気象事象の社会的影響を軽減するための実用的なツールを提供する。
論文 参考訳（メタデータ） (2025-09-20T15:09:38Z) - Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。
本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。
従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
論文 参考訳（メタデータ） (2025-04-01T00:21:31Z) - TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness [13.696784449863959]
熱帯サイクロン降水拡散 (TCP-Diffusion) は, 熱帯サイクロン降水量予測のマルチモーダルモデルである。
過去の降雨観測とマルチモーダル環境変数に基づいて,過去12時間のTCセンター周辺の降雨を3時間ごとの解像度で予測した。
気象要因の影響とNWPモデル予測からの有用性を考慮し,特殊エンコーダを用いたマルチモデルフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-17T02:58:05Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z)
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。