論文の概要: Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models

• arxiv url: http://arxiv.org/abs/2102.05107v1
• Date: Tue, 9 Feb 2021 20:14:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 14:28:43.797655
• Title: Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models
• Title（参考訳）: 深層学習天気予報モデルの大規模なアンサンブルによるサブシーズン予測
• Authors: Jonathan A. Weyn, Dale R. Durran, Rich Caruana, Nathaniel Cresswell-Clay
• Abstract要約: 深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
• 参考スコア（独自算出の注目度）: 6.882042556551611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an ensemble prediction system using a Deep Learning Weather Prediction (DLWP) model that recursively predicts key atmospheric variables with six-hour time resolution. This model uses convolutional neural networks (CNNs) on a cubed sphere grid to produce global forecasts. The approach is computationally efficient, requiring just three minutes on a single GPU to produce a 320-member set of six-week forecasts at 1.4{\deg} resolution. Ensemble spread is primarily produced by randomizing the CNN training process to create a set of 32 DLWP models with slightly different learned weights. Although our DLWP model does not forecast precipitation, it does forecast total column water vapor, and it gives a reasonable 4.5-day deterministic forecast of Hurricane Irma. In addition to simulating mid-latitude weather systems, it spontaneously generates tropical cyclones in a one-year free-running simulation. Averaged globally and over a two-year test set, the ensemble mean RMSE retains skill relative to climatology beyond two-weeks, with anomaly correlation coefficients remaining above 0.6 through six days. Our primary application is to subseasonal-to-seasonal (S2S) forecasting at lead times from two to six weeks. Current forecast systems have low skill in predicting one- or 2-week-average weather patterns at S2S time scales. The continuous ranked probability score (CRPS) and the ranked probability skill score (RPSS) show that the DLWP ensemble is only modestly inferior in performance to the European Centre for Medium Range Weather Forecasts (ECMWF) S2S ensemble over land at lead times of 4 and 5-6 weeks. At shorter lead times, the ECMWF ensemble performs better than DLWP.
• Abstract（参考訳）: 6時間の時間分解能で主要な大気変数を再帰的に予測する深層学習気象予測(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 このアプローチは計算効率が良く、1つのgpuでわずか3分で、1.4{\deg}の解像度で6週間の予測を320人構成できる。 エンサンブルスプレッドは、主にCNNトレーニングプロセスをランダム化して、学習重量がわずかに異なる32個のDLWPモデルを作成することで生成される。 dlwpモデルは降雨を予測していないが、総カラム水蒸気を予測し、ハリケーンirmaの4.5日間の決定論的予測を与える。 中緯度気象システムのシミュレーションに加えて、1年間のフリーランシミュレーションで熱帯サイクロンを自発的に生成します。 平均的および2年以上のテストセットでは、RMSEは気候学に関するスキルを2週間以上保持し、異常相関係数は0.6以上から6日間保持する。 主用途は2週間から6週間のリードタイムでのs2s(subseasonal-to-seasonal)予測である。 現在の予測システムは、1週間または2週間の平均天気パターンをS2S時間スケールで予測するスキルが低い。 連続的なランク付け確率スコア(CRPS)とランク付け確率スキルスコア(RPSS)は、DLWPアンサンブルが4週間と5-6週間のリードタイムで土地上で欧州中規模気象予報センター(ECMWF)S2Sアンサンブルにわずかに劣っていることを示しています。 リードタイムは短いが、ECMWFアンサンブルはDLWPより優れている。

関連論文リスト

• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Generative Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
  気象や気候からの物理的危険予知のための技術の現状には、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、コスト効率の良い代替手段として、kmスケールダウンスケール拡散モデルを示す。 このモデルは台湾上空の高解像度気象モデルから訓練され、ERA5の再解析データに基づいて調整されている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [26.267827908806215]
  マルチ時間気象予報のためのMasked AutoEncoderプリトレーニングによる気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。 我々は、気象変数の将来状態を予測するために、事前訓練されたW-MAEを微調整し、気象データに存在する時間的依存関係をモデル化する。
  論文  参考訳（メタデータ） (2023-04-18T06:25:11Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• 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)
• FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators [45.520430157112884]
  FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。 風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。 FourCastNetは2秒未満で1週間の予測を生成する。
  論文  参考訳（メタデータ） (2022-02-22T22:19:35Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)
• Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere [7.918783985810551]
  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。
  論文  参考訳（メタデータ） (2020-03-15T19:57:34Z)

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。