論文の概要: RainAtlas: A Multi-Continental Dataset for Precipitation Downscaling

• arxiv url: http://arxiv.org/abs/2609.39833v1
• Date: Wed, 30 Sep 2026 14:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.892354
• Title: RainAtlas: A Multi-Continental Dataset for Precipitation Downscaling
• Title（参考訳）: RainAtlas: 降水ダウンスケーリングのためのマルチ大陸データセット
• Abstract要約: RainAtlasは、降水量ダウンスケーリングのための大規模、ML対応、マルチ大陸データセットです。 3大陸をカバーするレインアトラスは、異質な時間スケールの観測を2kmの格子に調和させる。 さまざまなメトリクスを使用して、RainAtlas全体で最先端のMLベースのダウンスケーリングモデルをベンチマークする。
• 参考スコア（独自算出の注目度）: 14.07269739816462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme rainfall events are increasing in intensity and frequency as climate change accelerates. While kilometer-scale precipitation forecasts are critical for supporting local decision-making, the limited availability of high-resolution precipitation observations hinders their accuracy, especially in under-resourced regions. Machine learning models are widely used to downscale precipitation data to km-scale, but their application to unseen geographies presents challenges. First, processing raw high-resolution precipitation datasets across regions requires significant engineering and domain expertise. Second, generalization across regions remains difficult. To help overcome these barriers, we release RainAtlas, a large-scale, ML-ready and multi-continental dataset for precipitation downscaling. Covering three continents, RainAtlas harmonizes heterogeneous hourly km-scale observations to a common 2-km grid. Each regional partition contains around 210,000 aligned low- and high-resolution precipitation pairs, respectively from ERA5 reanalysis and direct observations. We benchmark state-of-the-art ML-based downscaling models across RainAtlas using a wide range of metrics. Our evaluation reveals substantial variance in out-of-domain generalization depending on the training regions. This underscores the need for cross-regional, multi-source km-scale evaluation, establishing RainAtlas as a well-positioned benchmark for precipitation downscaling research.
• Abstract（参考訳）: 気候変動が加速するにつれて、極端に降雨の頻度が増している。 局地的な意思決定を支援するため、キロスケールの降水予測は重要であるが、高解像度の降水観測の可用性は、特に低資源地域では、その正確性を妨げている。 機械学習モデルは降水データを km スケールにダウンスケールするために広く利用されているが、見当たらない地理学への応用は課題を呈している。 第一に、リージョン全体にわたる生の高解像度の降水データセットを処理するには、重要なエンジニアリングとドメインの専門知識が必要です。 第2に、地域間の一般化は依然として困難である。 これらの障壁を克服するために、降水ダウンスケーリングのための大規模でML対応のマルチ大陸データセットであるRainAtlasをリリースしました。 3大陸をカバーするレインアトラスは、異質な時間スケールの観測を2kmの格子に調和させる。 各地域区分は、それぞれERA5の再分析と直接観測から、約210,000個の配向した低分解能降水対と高分解能降水対を含んでいる。 さまざまなメトリクスを使用して、RainAtlas全体で最先端のMLベースのダウンスケーリングモデルをベンチマークする。 評価の結果,領域外一般化はトレーニング領域によって大きく異なることが明らかとなった。 このことは、降水ダウンスケーリング研究のための十分なベンチマークとしてRainAtlasを確立するために、クロスリージョンでマルチソースなkmスケールの評価の必要性を浮き彫りにしている。

関連論文リスト

• West-WRF AI 2-km: High-Resolution Prediction of Integrated Vapor Transport and Precipitation [0.18509864241014864]
  西WRF AI 2-kmは、40年間の欧州中距離気象予報リアナリシスv5(ERA5)データセットで事前訓練されたグローバルモデルに基づいて構築されている。 2020-2023年の冬の予測は、格子状の降雨観測、雨量計、ARリコネッサンス・ドロップソンドを用いて評価される。
  論文  参考訳（メタデータ） (2026-09-22T00:14:51Z)
• Oya: Deep Learning for Accurate Global Precipitation Estimation [0.2621533844622817]
  本研究は、静止衛星(GEO)からの可視・赤外観測の全スペクトルを利用した、新しいリアルタイム降水探索アルゴリズムであるOyaを紹介する。 Oyaは2段階の深層学習アプローチを採用し、降水検知と量的降水推定(QPE)という2つのU-Netモデルを組み合わせて、雨と無雨のイベントの固有のデータ不均衡に対処している。
  論文  参考訳（メタデータ） (2025-11-13T18:01:08Z)
• Downscaling Extreme Precipitation with Wasserstein Regularized Diffusion [18.008592164636664]
  レーダーとメソネットのネットワークは1kmの解像度で降水場を提供するが、歴史的および地理的な範囲は限られている。 ゲージベースの記録と分析製品は、数十年の時間を世界規模でカバーしていますが、解像度は30～50kmに過ぎません。 本研究では,低分解能ゲージおよび再分析生成物から降水場をダウンスケールする拡散フレームワークであるWasserstein Regularized Diffusion (WassDiff)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:12:40Z)
• 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)
• 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)
• Rain regime segmentation of Sentinel-1 observation learning from NEXRAD collocations with Convolution Neural Networks [0.16067645574373132]
  NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。 本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。 我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
  論文  参考訳（メタデータ） (2022-07-15T08:05:41Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。