論文の概要: Nowcasting of Tropical Cyclone Wind Fields and Intensity from Geostationary Imagery

• arxiv url: http://arxiv.org/abs/2611.08255v1
• Date: Thu, 05 Nov 2026 16:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.578957
• Title: Nowcasting of Tropical Cyclone Wind Fields and Intensity from Geostationary Imagery
• Title（参考訳）: 静止画像からの熱帯サイクロン風況と強度の現況
• Abstract要約: 合成開口レーダ(SAR)観測から得られた高分解能熱帯サイクロン表面の風速は、嵐の構造と強度モデリングを支援することができる。 静止衛星は、空間と時間で雲の上を継続的に捉えているが、表面の風を直接解決するわけではない。 ここでは、静止画像から2次元風力場とストームスケール強度メトリクスを予測するための単純なニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 1.4287348604206225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution tropical cyclone surface wind speeds derived from synthetic aperture radar (SAR) observations can support storm structure and intensity modelling, but remain spatially and temporally sparse and unavailable near-real-time. Geostationary satellites capture cloud tops continuously in space and time, but do not directly resolve surface winds. Here, we present simple neural networks to predict 2D wind fields and storm-scale intensity metrics from geostationary imagery. Through a series of ablation studies, we find that joint prediction of 2D fields and scalar metrics from the model latent space improves the retrieval of the (radius of) maximum wind, especially for rapid intensification events.
• Abstract（参考訳）: 合成開口レーダ(SAR)観測から得られた高分解能熱帯サイクロン表面の風速は、嵐の構造と強度モデリングをサポートすることができるが、空間的にも時間的にも疎く、ほぼリアルタイムでは利用できない。 静止衛星は、空間と時間で雲の上を継続的に捉えているが、表面の風を直接解決するわけではない。 ここでは、静止画像から2次元風力場とストームスケール強度メトリクスを予測するための単純なニューラルネットワークを提案する。 一連のアブレーション研究により、モデル潜在空間からの2次元場の連成予測とスカラー測度が、特に急激な拡大現象において最大風の(半径の)回復を改善することが判明した。

関連論文リスト

• Electric Potential Patterns Forecasting in the Southern Hemisphere with Deep Learning Techniques [0.0]
  太陽風によって引き起こされる宇宙の気象障害は、衛星ナビゲーションを劣化させ、無線通信を妨害し、電力インフラを脅かすことができる。 既存のアプローチ、経験的気候モデル、物理に基づく磁気流体力学シミュレーションは、リアルタイム利用には計算コストが高すぎる。 ここでは、南半球高緯度電位マップを予測するために、3つのディープラーニングアーキテクチャを訓練し比較する。
  論文  参考訳（メタデータ） (2026-09-25T12:05:40Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Spatial Temporal Approach for High-Resolution Gridded Wind Forecasting across Southwest Western Australia [0.43012765978447565]
  本稿では,風速予測のための機械学習モデルの可能性について述べる。 これは、より情報的な意思決定を促進し、重要なセクターにおけるレジリエンスを高めるのに役立つ。
  論文  参考訳（メタデータ） (2024-07-26T05:44:27Z)
• WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV [29.345342470012724]
  計算流体力学シミュレーションの合成データのみを用いてニューラルネットワークであるWindSeerを訓練する。 WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を、再トレーニングすることなく生成することができる。 本研究では,気象観測所が収集した過去の風速と,ドローンによる風速の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2024-01-18T12:46:26Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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 Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Reduction of rain-induced errors for wind speed estimation on SAR observations using convolutional neural networks [0.16067645574373132]
  降雨時の誤差を低減した風速推定器を訓練する。 その結果,SAR製品における降雨関連誤差を補正する深層学習モデルの能力が示された。
  論文  参考訳（メタデータ） (2023-03-16T10:19:14Z)

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。