論文の概要: Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere
- arxiv url: http://arxiv.org/abs/2003.11927v1
- Date: Sun, 15 Mar 2020 19:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 08:48:37.170812
- Title: Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere
- Title(参考訳): 深層畳み込みニューラルネットワークを用いた立方体球面上のデータ駆動地球天気予測の改善
- Authors: Jonathan A. Weyn, Dale R. Durran, Rich Caruana
- Abstract要約: 深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
- 参考スコア(独自算出の注目度): 7.918783985810551
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a significantly-improved data-driven global weather forecasting
framework using a deep convolutional neural network (CNN) to forecast several
basic atmospheric variables on a global grid. New developments in this
framework include an offline volume-conservative mapping to a cubed-sphere
grid, improvements to the CNN architecture, and the minimization of the loss
function over multiple steps in a prediction sequence. The cubed-sphere
remapping minimizes the distortion on the cube faces on which convolution
operations are performed and provides natural boundary conditions for padding
in the CNN. Our improved model produces weather forecasts that are indefinitely
stable and produce realistic weather patterns at lead times of several weeks
and longer. For short- to medium-range forecasting, our model significantly
outperforms persistence, climatology, and a coarse-resolution dynamical
numerical weather prediction (NWP) model. Unsurprisingly, our forecasts are
worse than those from a high-resolution state-of-the-art operational NWP
system. Our data-driven model is able to learn to forecast complex surface
temperature patterns from few input atmospheric state variables. On annual time
scales, our model produces a realistic seasonal cycle driven solely by the
prescribed variation in top-of-atmosphere solar forcing. Although it is
currently less accurate than operational weather forecasting models, our
data-driven CNN executes much faster than those models, suggesting that machine
learning could prove to be a valuable tool for large-ensemble forecasting.
- Abstract(参考訳): 本稿では,CNN(Deep Convolutional Neural Network)を用いたデータ駆動型グローバル気象予報フレームワークを提案する。
このフレームワークの新しい開発には、キュービッドスフィアグリッドへのオフラインボリューム保守マッピング、CNNアーキテクチャの改善、および予測シーケンスにおける複数のステップでの損失関数の最小化が含まれる。
立方体球再マッピングは畳み込み操作が行われる立方体面の歪みを最小限に抑え、cnnにおけるパディングの自然な境界条件を提供する。
改良されたモデルでは,無期限に安定な天気予報が生成され,数週間以上のリードタイムで現実的な気象パターンが生成される。
短距離から中距離の予測では, 持続性, 気候学, および粗分解能動的数値天気予報(NWP)モデルより有意に優れる。
当然のことながら、我々の予測は最先端の運用NWPシステムよりも悪い。
データ駆動モデルは、入力された大気状態変数から複雑な表面温度パターンを予測できる。
年次時間スケールでは,大気上層における太陽の強制力の所定の変動によってのみ,現実的な季節周期が生じる。
現在、運用上の天気予報モデルよりも精度は低いが、我々のデータ駆動CNNはこれらのモデルよりもはるかに高速に実行しており、機械学習が大規模な天気予報に有用なツールであることを示唆している。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - 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) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。
我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1~2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文 参考訳(メタデータ) (2022-10-22T17:21:16Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z)
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。