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
- ChaosBench: A Multi-Channel, Physics-Based Benchmark for
Subseasonal-to-Seasonal Climate Prediction [24.23266726649901]
ChaosBenchは、S2S(Subseasonal-to-seasonal)予測のための大規模でマルチチャネルな物理ベースのベンチマークである。
ChaosBenchには460Kフレームの現実世界の観測とシミュレーションがあり、それぞれが60の可変チャネルを持ち、最大45年間をカバーしている。
複雑度が異なる2つのタスク、フルとスパースなダイナミクス予測を確立します。
論文 参考訳(メタデータ) (2024-02-01T16:07:12Z) - FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts [14.264411727585347]
FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、機械学習に基づくサブシーズン予測モデルである。
FuXi-S2Sは、拡張されたFuXiベースモデルと、隠れた特徴のフロー依存摂動のための摂動モジュールを統合している。
年間平均気温は最大42日で、13の圧力レベルと11の地表変数で5つの上層大気変数をカバーしている。
論文 参考訳(メタデータ) (2023-12-15T16:31:44Z) - 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - 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)
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。