論文の概要: Low-rank tensor structure of precipitation and its application to satellite-reference merging
- arxiv url: http://arxiv.org/abs/2610.11000v1
- Date: Wed, 07 Oct 2026 23:35:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.702292
- Title: Low-rank tensor structure of precipitation and its application to satellite-reference merging
- Title（参考訳）: 降水の低ランクテンソル構造と衛星参照マージへの応用
- Abstract要約: この研究は、CANDECOMP/PARA分解を適用した連続した米国(US)のコンコンテンソルに対する毎日の降水を表す。
この発見に基づいて、この研究は、衛星の降水と希少な基準観測を統合するテンソルベースのフレームワークであるTMergeを提示する。
2019-2022年の間に、TMergeの相関関係は0.53から0.85に増加し、ルート平均誤差は48.2%、絶対誤差は29.3%減少した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The intermittent and variable nature of precipitation makes its accurate estimation over extended domains difficult, yet its spatiotemporal structure suggests that a low-rank representation may be possible. This work represents daily precipitation over the contiguous United States (CONUS) as spatiotemporal tensors and applies CANDECOMP/PARAFAC factorization, showing that preserving the native spatial and temporal modes yields more accurate reconstruction than factorizing independent daily fields or unfolded space--time matrices. Building on this finding, this work presents TMerge, a tensor-based framework that integrates satellite precipitation with sparse reference observations through shared low-rank spatial and temporal factors. TMerge was applied to correct the IMERG Final Run product with climate prediction center reference observations over CONUS. During 2019-2022, TMerge increased correlation from 0.53 to 0.85 and reduced root-mean-square error and mean absolute error by 48.2% and 29.3%, respectively. TMerge consistently outperformed linear bias correction, quantile mapping, and neural networks across seasons, precipitation-intensity regimes, and regions. Improvements were spatially coherent and largest in coastal regions where IMERG errors were greatest. These results demonstrate that low-rank tensor structure parsimoniously approximates the dominant spatiotemporal variability of precipitation and provides a practical mechanism for improving satellite estimates under limited reference observations over extended domains.
- Abstract（参考訳）: 降水の断続的かつ変動的な性質は、拡張された領域に対する正確な推定を困難にしているが、その時空間構造は、低ランク表現が可能であることを示唆している。
この研究は、米国大陸(CONUS)を時空間テンソルとして日中降水し、CANDECOMP/PARAFAC分解を適用し、自然空間および時空間モードの保存は、独立した日中フィールドの分解や時空間行列の展開よりも、より正確な再構築をもたらすことを示した。
この発見に基づいて、この研究はTMergeというテンソルベースのフレームワークを提示する。これは、衛星の降水と、低ランクの空間的および時間的要因の共有を通して、希少な参照観測を統合するものである。
TMerge を用いて IMERG Final Run の補正を行った。
2019-2022年の間に、TMergeの相関関係は0.53から0.85に増加し、ルート平均二乗誤差は48.2%、絶対誤差は29.3%減少した。
TMergeは、線形バイアス補正、量子マッピング、ニューラルネットワークを季節、降水強度レジーム、地域にわたって一貫して上回った。
IMERGの誤差が最も大きい沿岸部では,空間的コヒーレントで最大であった。
これらの結果から,低ランクテンソル構造は降水の時空間変動を近似的に近似し,拡張領域上での限られた基準観測の下で衛星推定を改善するための実践的なメカニズムを提供する。
関連論文リスト
- UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。
GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。
自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
論文 参考訳（メタデータ） (2026-09-02T08:37:27Z) - TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。
本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。
TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
論文 参考訳（メタデータ） (2026-07-14T07:36:19Z) - 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) - 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) - CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。
SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。
大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
論文 参考訳（メタデータ） (2026-02-18T14:41:54Z) - Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。
我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
論文 参考訳（メタデータ） (2026-02-05T01:55:14Z) - SENDAI: A Hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework [2.070436148502153]
SENDAIは階層的なスパース測定フレームワークであり、スパースセンサー観測から全空間状態を再構築する。
SENDAIは従来のベースラインよりも185%の最大SSIM改善を実現し、最近の高周波ベースの手法よりも36%改善した。
論文 参考訳（メタデータ） (2026-01-29T12:58:54Z) - Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift [2.5551933647600693]
因果モデリングは、時系列データの安定で不変な関係を明らかにするための原則的な基礎を提供する。
RIC-TSCは,ラグを意識した因果発見を直接シーケンスモデリングに組み込む,局所的にインフォームドされた因果時系列分類フレームワークである。
論文 参考訳（メタデータ） (2025-10-17T03:06:08Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - 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)
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。