文献

J-GLOBAL ID：202202263434710549   整理番号：22A0202571

レーダデータにおける降水エコーの復元のための深層学習の利用【JST・京大機械翻訳】

Using Deep Learning for Restoration of Precipitation Echoes in Radar Data

著者 (7件)： Lepetit Pierre (CNRM, Me ́te ́o-France, Toulouse, France) ,  Ly Camille (LATMOS, Guyancourt, France) ,  Barthes Laurent (LATMOS, Guyancourt, France) ,  Mallet Cecile (LATMOS, Guyancourt, France) ,  Viltard Nicolas (LATMOS, Guyancourt, France) ,  Lemaitre Yvon (LATMOS, Guyancourt, France) ,  Rottner Lucie (CNRM, Me ́te ́o-France, Toulouse, France)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5100914.1-14  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 気象レーダから発行された生データは,しばしばクラッタと呼ばれる望ましくない信号によって崩壊する。Hills,高層建築,大気乱流,鳥,および昆虫収量パターンは,レーダ画像の解釈を複雑にし,定量的降水推定(QPE)にバイアスを加える可能性がある。Clutterは,それらの偏光特性とそれらの特定の形状の両方によって,降水エコーとは異なった。本研究は,クラッタの除去を扱う。コアアイデアは,クラッタ形状を考慮するために完全畳込みネットワーク(FCN)を使用することである。教師つき学習による直接的なアプローチのために,1つはレーダ画像とそれらの洗浄された対応物を必要とし,それは利用できない。この問題を回避するための弱教師つき学習法を開発した。この方法は雨量計からの補助データのみを必要とする。反射率の加成性は,雑音の多いターゲットによる教師つき復元タスクの形で学習問題を提示できる。この問題は標準FCN(U-net)の連続訓練によって解決される。グランドトルースが欠落しているので,標準メトリックスは大域的評価を行うためには採用できない。それにもかかわらず,本手法を2つのクラッタクラス,即ち,地上クラッタと干渉に対して定量的に評価した。事例研究は評価を完了した。また,Me’te’o-Franceアルゴリズムによる定性的比較を,いくつかの困難な事例に関して実行した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  畳込み ,  反射率 ,  *降水 ,  *レーダ ,  *学習 ,  ネットワーク ,  教師つき学習 ,  昆虫類 ,  気象レーダ ,  クラッタ ,  事例研究 ,  レーダ画像
準シソーラス用語： グランドトゥルース , 【Automatic Indexing@JST】

分類 (2件)： 気象学一般  (DC05010D) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： レーダ ,  降水 ,  エコー ,  復元 ,  深層学習