論文の概要: SATFRONT: Detecting Atmospheric Fronts with Satellite Data using Machine Learning

• arxiv url: http://arxiv.org/abs/2610.42111v1
• Date: Fri, 30 Oct 2026 17:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.860038
• Title: SATFRONT: Detecting Atmospheric Fronts with Satellite Data using Machine Learning
• Title（参考訳）: SATFRONT: 機械学習による衛星データによる大気前線検出
• Abstract要約: 静止衛星観測からヨーロッパ上空の寒冷・暖暖・密集した前線を検出する機械学習フレームワークであるSATFRONTを紹介した。 このモデルは、ヨーロッパの5つの気象サービスによる前部分析に基づいて訓練され、2024年の英国気象庁の分析に対して評価された。 衛星観測だけでSATFRONTは150kmの高度で0.428の臨界成功指数(Critical Success Index, CSI)を達成している。
• 参考スコア（独自算出の注目度）: 2.478570574251008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atmospheric fronts are associated with much of the high-impact weather in the mid-latitudes, yet their identification and classification remain largely manual and subjective. Existing deep learning approaches rely primarily on gridded reanalysis or forecast data, limiting their applicability to satellite observations available for time-critical applications. We introduce SATFRONT, a machine learning framework for detecting cold, warm, and occluded fronts over Europe from geostationary satellite observations, with reanalysis data as an optional additional input. The model is trained on frontal analyses from five European national meteorological services and evaluated against UK Met Office analyses for 2024. Using satellite observations alone, SATFRONT achieves a Critical Success Index (CSI) of 0.428 at a 150 km tolerance, within the range of agreement between analyses from different meteorological services (0.277-0.501) and higher than that of an operational rule-based front detector that uses satellite data (0.133). Adding ERA5 reanalysis increases the CSI to 0.591. ERA5 substantially improves the placement of individual fronts, although its effect on their annual spatial distribution varies by front type. These results demonstrate that cold, warm, and occluded fronts can be detected directly from geostationary satellite observations, providing a basis for automated frontal analyses at the high temporal frequency required for time-critical applications.
• Abstract（参考訳）: 大気前線は中緯度帯の高気圧の多くの気候と関連付けられているが、その識別と分類は大半が手動で主観的のままである。 既存のディープラーニングアプローチは主にグリッド化された再分析や予測データに依存しており、時間クリティカルなアプリケーションで利用可能な衛星観測に適用性を制限する。 静止衛星観測からヨーロッパ上空の寒冷・暖暖・密集した前線を検出する機械学習フレームワークであるSATFRONTについて,予備的な追加入力として再解析データを用いた。 このモデルは、ヨーロッパの5つの気象サービスによる前部分析に基づいて訓練され、2024年の英国気象庁の分析に対して評価された。 衛星観測だけでSATFRONTは、異なる気象サービス(0.277-0.501)の分析と、衛星データ(0.133)を使用する運用規則に基づくフロント検出器(英語版)との合意の範囲内において、150kmの許容範囲で0.428の臨界成功指数(Critical Success Index, CSI)を達成している。 ERA5の再分析を加えると、CSIは0.591に増加する。 ERA5は個々の前面の配置を大幅に改善するが、その年次空間分布に対する影響は前面タイプによって異なる。 これらの結果から,静止衛星観測から直接,寒冷・暖暖・密集した前線を検出できることが示唆された。

関連論文リスト

• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• Towards a Spatiotemporal Fusion Approach to Precipitation Nowcasting [0.13981513837988355]
  リオデジャネイロの気象雨量計観測所のデータを統合することで,降水量計のためのデータ融合手法を提案する。 我々はSTConvS2Sと呼ばれる数値的な気象深度学習アーキテクチャを採用し、9 x 11グリッドをカバーする構造化データセットを活用している。 実験された構成のうち、核融合モデルでは1時間リードで重降雨(25 mm/h以上)に対して0.2033のF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-05-25T18:27:19Z)
• Satellite Observations Guided Diffusion Model for Accurate Meteorological States at Arbitrary Resolution [48.34051432429767]
  衛星観測(GridSat)を条件として,ERA5再解析データに基づいて事前学習した条件拡散モデルを提案する。 トレーニングの過程で,GridSat衛星観測から得られた情報を注意機構を介してERA5マップに融合することを提案する。 サンプリングでは、最適化可能な畳み込みカーネルを用いて、スケールアッププロセスをシミュレートした。
  論文  参考訳（メタデータ） (2025-02-09T02:05:33Z)
• WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
  我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。 本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。 私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
  論文  参考訳（メタデータ） (2024-09-14T08:53:46Z)
• 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)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station Data and Radar Data [14.672132394870445]
  複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。 ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。 この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-20T14:59:58Z)
• 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。