論文の概要: Detecting Weather Fronts from Satellite Observations: What Does Reanalysis Add?
- arxiv url: http://arxiv.org/abs/2611.08148v1
- Date: Thu, 05 Nov 2026 15:07:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.55643
- Title: Detecting Weather Fronts from Satellite Observations: What Does Reanalysis Add?
- Title（参考訳）: 衛星観測から気象前線を検出する:リアナリシスは何をもたらすのか?
- Abstract要約: 天気予報を検出する機械学習手法について検討する。
北大西洋とヨーロッパにおける画素単位の正面分類のための同じMLモデルの2つの構成を比較した。
低レベルの風は、衛星の表現から予測できる最低値である。
- 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: Weather fronts are transition regions between air masses with contrasting thermodynamic properties and are associated with mid-latitude precipitation and severe weather. We investigate machine learning (ML) methods for detecting weather fronts and quantify the contribution of reanalysis data to performance. We compare two configurations of the same ML model for pixel-wise frontal classification over the North Atlantic and Europe: (1) using only geostationary infrared satellite observations, and (2) additionally using 28 ERA5 reanalysis fields. The satellite-only model achieves a neighbourhood critical success index at a 150 km tolerance (CSI@150) of $0.402$, which lies within the range of agreement between analyses from different meteorological services. The satellite$+$ERA5 model achieves $0.575$, an improvement of $0.173$. Our analysis shows that low-level winds are the least predictable from the satellite representation ($R^2 = 0.23$, compared with $0.88$ for temperature), while removing winds or moisture causes the largest decreases in detection performance.
- Abstract（参考訳）: 気象前線は、熱力学特性の対照的な気団間の遷移領域であり、中緯度降水量と厳しい天候と関連している。
天気予報を検出する機械学習 (ML) 手法について検討し, 性能に対する再解析データの寄与を定量化する。
我々は,北大西洋とヨーロッパにおける画素単位の正面分類のための同じMLモデルの2つの構成を比較する:(1)静止赤外衛星観測のみを使用し,(2)28個のERA5再解析フィールドを用いる。
衛星のみのモデルでは、150 km の許容値 (CSI@150) を0.402$で達成しており、これは異なる気象サービスからの分析の間の合意の範囲内にある。
サテライト$+ERA5モデルは0.575ドル、改善は0.173ドルである。
解析の結果,低層風は衛星の表現から最も予測しにくい(R^2 = 0.23$, 温度は0.88$)一方,風や湿気の除去は検出性能を最大に低下させることがわかった。
関連論文リスト
- SATFRONT: Detecting Atmospheric Fronts with Satellite Data using Machine Learning [2.478570574251008]
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。
論文 参考訳（メタデータ） (2026-10-30T17:48:20Z) - Space weather dependence of decameter-scale ionospheric irregularities spatial distribution [0.0]
このモデルは2010-2025年の間に11機のレーダーのデータを用いて訓練され、試験された。
研究されたパラメータの集合に対する最良の予測と予測のためのパラメータの最適セットは、地磁気と太陽外乱の指標の組み合わせである。
パラメータ $widetildeB_z$ と F10.7 は nowcast でのみ重要であり、他のリードタイムでは無視できる。
論文 参考訳（メタデータ） (2026-10-21T12:12:15Z) - EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - Deep Learning for Soil Moisture Estimation: Fusing Satellite Data with Optimally-Lagged Meteorological Features [3.746889836344766]
本研究では,気象変数と土壌水分との時間差を最適に決定するクロス相関関数 (CCF) 法を提案する。
このアプローチはスペイン南東部の7つの農業区画で実証された。
論文 参考訳（メタデータ） (2026-06-19T14:23:51Z) - MODS: Multi-source Observations Conditional Diffusion Model for Meteorological State Downscaling [21.399026288978]
我々はMODS(Multi-source Observation Down-Scaling Model)を提案する。
静止衛星グリッドサット、極軌道衛星(AMSU-A、HIRS、MHS)のデータを条件として、地形データ(GEBCO)を条件として融合する条件拡散モデルである。
トレーニング中、多様な条件入力から潜伏した特徴を別々に抽出し、マルチソースのクロスアテンションモジュールを介してERA5マップに融合する。
論文 参考訳（メタデータ） (2025-06-02T08:40:16Z) - 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) - 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) - 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) - 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)
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。