論文の概要: Data-driven Prediction of Satellite-observed Avalanche Activity from Snowpack Simulations

• arxiv url: http://arxiv.org/abs/2609.15485v1
• Date: Mon, 14 Sep 2026 12:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.368447
• Title: Data-driven Prediction of Satellite-observed Avalanche Activity from Snowpack Simulations
• Title（参考訳）: 積雪シミュレーションによる衛星観測雪崩活動の予測
• Abstract要約: 我々は、ノルウェーとスウェーデンの一部で、Sentinel-1の雪崩検出の5つの冬をまとめました。 我々は,雪崩活動を予測するために,異なる標高の20×20kmの格子と予め定義された傾斜角で数値的な天気予報を行った。 このモデルは時間と空間の幅広い変化に続くが、よりスムーズな予測をもたらし、最強の活動を過小評価した。
• 参考スコア（独自算出の注目度）: 12.987685709078114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Avalanche forecasting requires knowledge of snowpack conditions and recent avalanche activity, but field observations are sparse across large mountain regions. We explore whether SNOWPACK simulations can predict avalanche activity mapped by synthetic aperture radar (SAR). We compiled five winters of Sentinel-1 avalanche detections across Norway and parts of Sweden, alongside SNOWPACK simulations forced by numerical weather predictions on a 20 x 20 km grid at different elevations and predefined slope angles. A transformer used five days of SNOWPACK outputs to predict the following day's SAR-detected Avalanche Activity Index (SAR-AAI). This index weights larger debris more heavily, spreads detections across possible occurrence dates and normalises by modelled runout area. The model was trained on four winters and evaluated on one validation winter. Regional mean predicted and reference SAR-AAI correlated at r = 0.803 after averaging over complete six-day periods. The model followed broad changes in time and space but produced smoother predictions and underestimated the strongest activity. Agreement at the 20 km cell scale was weaker (r = 0.549) after the same averaging. These results come from a single training run without evaluation on an untouched winter. Satellite observations also contain missed and false detections and uncertain timing. The results therefore do not establish operational forecast skill, but suggest that regional SNOWPACK simulations contain information about broad variations in satellite-observed avalanche activity.
• Abstract（参考訳）: 雪崩予測には積雪条件や近年の雪崩活動の知識が必要であるが、山間部での観測は少ない。 SNOWPACKシミュレーションが合成開口レーダ(SAR)によってマッピングされた雪崩活動を予測することができるかを検討する。 SNOWPACKシミュレーションは,20×20kmの格子上に異なる標高と予め定義された傾斜角度で数値的な天気予報を行うとともに,ノルウェーとスウェーデンの一部で5回のセンチネル-1雪崩検出を行った。 変圧器は5日間のSNOWPACK出力を使用して、翌日のSAR検出雪崩活動指数(SAR-AAI)を予測する。 この指数は、より大きな破片をより重くし、検出を可能発生日とモデル化されたアウトアウトエリアによる正規化に広げる。 モデルは4つの冬に訓練され、1つの検証冬に評価された。 SAR-AAIは6日間の平均値とr=0.803で相関していた。 このモデルは時間と空間の幅広い変化に続くが、よりスムーズな予測をもたらし、最強の活動を過小評価した。 20kmセルスケールでの一致は、同じ平均値の後により弱い(r = 0.549)。 これらの結果は、未修正の冬を評価せずに1回のトレーニング実行から得られる。 衛星観測には誤りや誤検出や不確実なタイミングも含まれる。 以上の結果から,SNOWPACKシミュレーションは衛星観測雪崩活動の幅広い変動に関する情報を含んでいることが示唆された。

関連論文リスト

• 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)
• Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System [0.0]
  今後2～6時間にわたって,深刻な気象被害の可能性を予測するためのグリッドベースのMLフレームワークを開発し,評価する。 本研究では,2-5kmの高架ヘリシティから発生したベースラインに対して,勾配ブーストツリー(HGBT)モデルと深層学習型U-Netアプローチを比較した。 HGBTは最高のパフォーマンス指標を達成しているが、予測確率は60%、U-net予測は100%である。
  論文  参考訳（メタデータ） (2026-03-10T14:18:03Z)
• Monitoring snow avalanches from SAR data with deep learning [5.524804393257921]
  雪崩は、特に山岳地帯において、人命とインフラに重大なリスクをもたらす。 衛星搭載合成開口レーダ(SAR)は,大規模な雪崩検出のための重要なツールとなっている。 本章では,SARデータからの雪崩の検出とセグメンテーションにおけるディープラーニングの適用について概説する。
  論文  参考訳（メタデータ） (2025-02-25T12:41:08Z)
• Retrieving snow depth distribution by downscaling ERA5 Reanalysis with ICESat-2 laser altimetry [2.5124917269950324]
  本研究は、ICESat-2衛星レーザー高度計による積雪深度測定を用いて、マイクロスケール(10m)で積雪深度マップを作成する。 積雪深とそれに対応するERA5ランド積雪深との関係を確立するために回帰モデルを適用した。 ERA5時間帯全体を対象とした月次積雪深図の時系列作成方法(1950年以降)
  論文  参考訳（メタデータ） (2024-10-23T14:59:06Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Prediction of Annual Snow Accumulation Using a Recurrent Graph Convolutional Approach [0.38073142980732994]
  近年、スノーレーダーのような空中レーダーセンサーは、垂直解像度の細かい大きな領域で内部の氷層を計測できることが示されている。 本研究では,グラフアテンションネットワークに基づくモデルを用いて,より大規模なデータセット上での入力データポイントの少ない年次積雪データポイントの予測を行った。
  論文  参考訳（メタデータ） (2023-06-22T19:48:34Z)
• Recurrent Graph Convolutional Networks for Spatiotemporal Prediction of Snow Accumulation Using Airborne Radar [0.38073142980732994]
  本研究では,近年の積雪量予測のために,連続的なグラフ畳み込みネットワークに基づく機械学習モデルを提案する。 その結果、同値な非幾何学的モデルや非時間的モデルよりも、モデルの性能が良く、一貫性も高いことが判明した。
  論文  参考訳（メタデータ） (2023-02-02T01:40:48Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• 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。