論文の概要: Evaluating Cross-region Generalization for Wavelet-Diffusion Precipitation Downscaling
- arxiv url: http://arxiv.org/abs/2609.28749v1
- Date: Wed, 23 Sep 2026 19:47:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.538364
- Title: Evaluating Cross-region Generalization for Wavelet-Diffusion Precipitation Downscaling
- Title（参考訳）: ウェーブレット拡散降水ダウンスケーリングにおけるクロスリージョン一般化の評価
- Abstract要約: 本研究では,ウェーブレット拡散モデル (WDM) に基づくクロスリージョンおよびクロスイベント一般化の評価を行う。
オクラホマ州(OK)でのみ訓練されたWDMと、6つの地域で訓練されたWDMを比較した。
全領域のWDMは、画像ドメインと検出性能の最高かつ最も一貫性のあるものを提供するが、降水強度によってその利得は不均一である。
- 参考スコア（独自算出の注目度）: 7.613848083966734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have shown strong potential for kilometer-scale precipitation downscaling, but their performance in geographically unseen regions and event regimes remains insufficiently understood. Building on the wavelet diffusion model (WDM) framework, this study evaluates cross-region and cross-event generalization. Six 3 x 3 deg U.S. regions represent convective, winter, tropical, and atmospheric-river precipitation regimes. Low-resolution inputs are generated by block averaging NOAA Multi-Radar/Multi-Sensor (MRMS) composite reflectivity fields. A WDM trained only on Oklahoma (OK) samples and a WDM trained on all six regions are compared with nearest-neighbor and Bicubic interpolation. Model performance is evaluated using three metric families that measure image-domain reconstruction, spectral and distributional fidelity, and bin-wise precipitation detection. The OK-trained WDM remains competitive outside OK. Although the all-region WDM delivers the best and most consistent overall image-domain and detection performance, its gains are uneven across precipitation intensities. Bin-wise critical success index (CSI) over 5-dBZ reflectivity bins shows that WDM improvements concentrate in localized higher-reflectivity structures, which image-domain metrics partly obscure. In addition, the performance differences among samples are strongly associated with the spatial organization of the precipitation field, quantified by Moran's I as the spatial autocorrelation of each reflectivity bin. The sample-level Moran's I-CSI correlation stratified by sample intensity reaches 0.901 in all six regions, including regions unseen during training. Overall, these findings support future efforts to transfer downscaling models to regions with limited local training data and to generate globally consistent, high-resolution precipitation products.
- Abstract（参考訳）: 拡散モデルでは、キロスケール降水量減少の可能性が強いが、地理的に見当たらない地域やイベントレシエーションにおけるそれらの性能は未だ十分に理解されていない。
本研究はウェーブレット拡散モデル(WDM)に基づくクロスリージョンとクロスイベントの一般化を評価する。
米国の6つの3 x 3デグ地域は、対流、冬、熱帯、大気圏の降水状態を表している。
低分解能入力は、NOAA Multi-Radar/Multi-Sensor(MRMS)複合反射率場を平均化するブロックにより生成される。
オクラホマ州(OK)のサンプルでのみ訓練されたWDMと、6つの地域で訓練されたWDMを、最も近い隣人やバイコビックの補間と比較した。
モデル性能は、画像領域再構成、スペクトルおよび分布の忠実度、ビンワイズ降水検出の3つの測定値を用いて評価される。
OKトレーニングされたWDMは、外での競争力を維持しています。
全領域のWDMは、画像ドメインと検出性能の最高かつ最も一貫性のあるものを提供するが、降水強度によってその利得は不均一である。
5-dBZ反射率ビン上のBin-wise critical success index (CSI) は、WDMの改善が局所化された高反射率構造に集中していることを示している。
さらに,各反射率ビンの空間的自己相関としてモランIによって定量された降水場の空間的構造と,試料間の性能差は強く関連している。
サンプルレベルのモランのI-CSI相関は、トレーニング中に見えない領域を含む6つの領域で0.901に達する。
これらの知見は,局所的なトレーニングデータに制限のある領域にダウンスケーリングモデルを移行し,一貫した高分解能降水生成物を生成するための今後の取り組みを支援している。
関連論文リスト
- Multi-Sensor Mapping of Vulnerable Urban Settlements Using SAR, Multispectral, and Hyperspectral Imagery: A Case Study in Córdoba, Argentina [5.007870105030848]
本研究はアルゼンチンのコルドバでスラム様マッピングのための多センサ深層学習フレームワークを提案する。
高分解能PlanetScope Multispectral (MS)画像、COSMO-SkyMed (CSK) Synthetic Aperture Radar (SAR)データ、中分解能PRISMA hyperspectral (HS)観測を統合している。
その結果,LF+HSは分類性能と空間選択率のバランスが良好であることがわかった。
論文 参考訳（メタデータ） (2026-08-26T07:05:36Z) - 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) - OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。
パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文 参考訳（メタデータ） (2026-05-13T17:42:20Z) - Slum Detection and Density Mapping with AlphaEarth Foundations: A Representation Learning Evaluation Across 12 Global Cities [9.982796078979648]
画素レベルのスラムマッピングは、長い間、限られた都市間一般化によって制約されてきた。
AlphaEarth Foundationsは、軽量スラムモニタリングのための新しい分析可能なベースを提供する。
我々は,12都市と69都市年対のスラム分類とサブピクセル密度推定についてAFFを評価した。
論文 参考訳（メタデータ） (2026-05-11T05:54:15Z) - Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling [13.378669933059015]
本稿では,地域気象予報のためのグローバル・リージョン結合フレームワークを提案する。
Transformerベースのグローバルモデルと、新しい双方向結合モジュールであるScaleMixerを介して、高解像度の地域ネットワークを結合する。
このフレームワークは、$0.05circ$(sim 5 mathrmkm$ )で、中国の1時間の解像度で、グリッド化されたリアナリシスデータとリアルタイム気象観測の両方で、運用上のNWPとAIベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-03-30T08:40:36Z) - AINet: Anchor Instances Learning for Regional Heterogeneity in Whole Slide Image [61.54860340942449]
本稿では,その地域(地域)に代表されるインスタンスのコンパクトなサブセットであるアンカーインスタンス(AI)の概念を導入し,バッグ(グローバル)レベルで識別する。
これらのAIは、地域間の相互作用をガイドする意味的な参照として機能し、地域多様性を維持しながら非差別的なパターンを修正する。
我々は、単純な予測器を使用し、FLOPやパラメータを著しく少なくした最先端の手法を超越した、簡潔で効果的なフレームワークであるAINetを開発した。
論文 参考訳（メタデータ） (2026-02-21T09:36:27Z) - A Dual-TransUNet Deep Learning Framework for Multi-Source Precipitation Merging and Improving Seasonal and Extreme Estimates [2.9811995156103457]
衛星探査と再分析による多ソース降水生成物 (MSP) は, 温暖化モニタリングに広く利用されている。
我々は6つのMSPと4つのERA5物理予測器を統合する2段階のTransUNetベースのマルチソース降水統合フレームワーク(DDL-MSPMF)を開発した。
論文 参考訳（メタデータ） (2026-02-04T16:55:43Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - MRFD: Multi-Region Fusion Decoding with Self-Consistency for Mitigating Hallucinations in LVLMs [57.931366749890906]
MRFD (Multi-Region Fusion Decoding) は、領域間の一貫性をモデル化することにより、現実のグラウンド化を改善する訓練自由復号法である。
MRFDは、クロスアテンションを用いて正常な領域を特定し、それぞれの初期応答を生成し、Jensen-Shannon Divergenceに基づいて信頼性ウェイトを算出する。
論文 参考訳（メタデータ） (2025-08-14T01:17:39Z) - Global Occlusion-Aware Transformer for Robust Stereo Matching [11.655465312241699]
本稿では,Global Occlusion-Aware Transformer(GOAT)と呼ばれる新しいアテンションベースのステレオマッチングネットワークを提案する。
GOATは、長距離依存とOcclusion-Awarenessグローバルコンテキストを不一致推定に活用する。
提案したGOATは,特に閉鎖領域において,すべてのベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-12-22T12:34:58Z)
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。