arXiv News

すべての人に一次情報を

サイト

Aboutプライバシーポリシー利用規約

© 2026 arXiv News

arXiv News

英語日本語

言語を切り替え

英語日本語
アカウントを読み込み中…

すべての人に一次情報を

トップページに戻る
機械学習日本語公開済み

衛星画像から熱帯低気圧の表層風を高精度で推定できる―ニューラルネットが2‑D風場を生成

2026年11月8日arXiv: 2611.08255v1

熱帯低気圧(TC)の表層風場を高解像度で取得できることが示されました。地球静止衛星は雲頂を連続的に観測しますが、直接的に表層風を解像できません。そこで、研究者は10路径の赤外線チャンネルと4つの空間情報を入力とし、U‑Netエンコーダ–デコーダ型ニューラルネットでSAR(合成開口レーダー)により得られた風場と、最大風速(Vmax)や最大風域半径(Rmax)を推定する手法を開発しました。 ①

構造としては、衛星画像と空間情報を合成した10+4チャンネルデータをU‑Netに入力し、2‑D風場を再構築します。さらに、潜在空間に多層パーセプトロン(MLP)を接続し、Vmax・Rmax・34、50、64 kt風域半径(R34、R50、R64)を予測します。ERA5再解析データを追加することも可能ERA5再解析データを追加することも可能ですが、非リアルタイムデータが含まれる点は留意すべきです。 ②

検証では、SAR観測と衛星画像の時間差を±15 分以内に抑え、196 × 196ピクセルに切り出し、TCの中心を可変にして学習データにバイアスを与えないよう配慮しました。訓練データ量は841サンプル(115 TC)、検証232サンプル(34 TC)、テスト212サンプル(38 TC)で、RT(急速強化)事象は134サンプル(62 TC)に限定されます。 ③

モデル比較では、U‑Net単体よりもLatent MLP付きU‑Netが最も低い誤差を示しました。テストセットでのVmax MAEは5.885 m s⁻¹、Rmax MAEは8.934 km(図参照)。Post‑hoc MLPは6.715 m s⁻¹/12.507 km、単純U‑Netは7.518 m s⁻¹/17.859 kmでした。 ④

U‑Net、Post‑hoc MLP、Latent MLP、U‑Net+ERA5入力モデルのテストセットでのVmaxとRmax平均絶対誤差(単位:m s⁻¹、km)の比較図
ModelERA5AllRI
U-Net✗7.518
17.859
Post-hoc MLP✗6.71512.507
Latent MLP✗5.8858.934
U-Net✓6.44614.475
Post-hoc MLP✓5.52910.512
Latent MLP✓7.3027.716
Table 1. U‑Net+Latent MLPがテストセットで最小のVmaxおよびRmax MAE(5.885 m s⁻¹、8.934 km)を示す比較表Donike, Simon, Nath, Pritthijit, Radin, Cristina, Avenas, Arthur, Cartuyvels, Ruben, Diaz, Emiliano et al. · arXiv:2611.08255v1 · Table 1: · CC BY 4.0

急速強化(RI)専用で訓練した場合、Latent MLPはVmax MAEを5.469 m s⁻¹、Rmax MAEを11.18 kmへと改善し、他モデルより優れた性能を示しました。 ⑤

Latent MLPがSARと半径スーパービジョンを併用した場合のRIサンプルのVmaxおよびRmax平均絶対誤差が減少する様子を示すテーブル
VmaxRmax
SARRadiusAllRIAllRI
✓✗6.6946.867––
✗✓6.2977.19819.4413.14
✗✗6.8286.645––
✓✓6.3445.46918.2411.18
((b)). Latent MLPにSARと半径指標で再設計した潜在空間と単純SARのみの比較。RIサンプルでVmax MAEが7.198 m s⁻¹から5.469 m s⁻¹、Rmax MAEが13.14 kmから11.18 kmに減少Donike, Simon, Nath, Pritthijit, Radin, Cristina, Avenas, Arthur, Cartuyvels, Ruben, Diaz, Emiliano et al. · arXiv:2611.08255v1 · ((b)) · CC BY 4.0

本研究の制約として、モデルはSARと衛星画像のペアが必要で、利用可能な場所と時間が限定されます。データ量とクラスバランスも限定的で、RIサンプルの少なさが性能に影響します。さらに、風場は地表面のみを対象とし、航空機高度や既存のSAR製品の改善は行っていません。ERA5を追加することで性能は若干向上しますが、リアルタイム性が損なわれます。将来的な改良ではERA5入力の詳細なアブレーションやハイパーパラメータの最適化が必要です。

元論文

Nowcasting of Tropical Cyclone Wind Fields and Intensity from Geostationary Imagery

機械学習
arXiv で見る
衛星画像から熱帯低気圧の表層風を高精度で推定できる―ニューラルネットが2‑D風場を生成 | arXiv News