Fugu-MT 論文翻訳(概要): Adaptive Bias Correction for Improved Subseasonal Forecasting

論文の概要: Adaptive Bias Correction for Improved Subseasonal Forecasting

arxiv url: http://arxiv.org/abs/2209.10666v3
Date: Mon, 15 May 2023 17:50:23 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 00:41:43.525763
Title: Adaptive Bias Correction for Improved Subseasonal Forecasting
Title（参考訳）: 改良型サブシーズン予測のための適応バイアス補正
Authors: Soukayna Mouatadid, Paulo Orenstein, Genevieve Flaspohler, Judah Cohen, Miruna Oprescu, Ernest Fraenkel, Lester Mackey
Abstract要約: 沈降予測は効果的な水配分、山火事の管理、干ばつと洪水の緩和に重要である。近年の国際研究は、運用力学モデルのサブシーズン能力の向上に寄与している。本稿では,最先端の動的予測と機械学習を用いた観測を組み合わせ,適応バイアス補正(ABC)手法を提案する。
参考スコア（独自算出の注目度）: 22.29412394093264
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Subseasonal forecasting -- predicting temperature and precipitation 2 to 6 weeks ahead -- is critical for effective water allocation, wildfire management, and drought and flood mitigation. Recent international research efforts have advanced the subseasonal capabilities of operational dynamical models, yet temperature and precipitation prediction skills remain poor, partly due to stubborn errors in representing atmospheric dynamics and physics inside dynamical models. Here, to counter these errors, we introduce an adaptive bias correction (ABC) method that combines state-of-the-art dynamical forecasts with observations using machine learning. We show that, when applied to the leading subseasonal model from the European Centre for Medium-Range Weather Forecasts (ECMWF), ABC improves temperature forecasting skill by 60-90% (over baseline skills of 0.18-0.25) and precipitation forecasting skill by 40-69% (over baseline skills of 0.11-0.15) in the contiguous U.S. We couple these performance improvements with a practical workflow to explain ABC skill gains and identify higher-skill windows of opportunity based on specific climate conditions.
Abstract（参考訳）: 気温と降水量を2～6週間予測する季節的予測は、効果的な水配分、山火事管理、干ばつや洪水の緩和に不可欠だ。近年の国際研究により、運用力学モデルの季節的能力は向上しているが、温度と降水予測のスキルは乏しいままである。本稿では,これらの誤りに対処するために,最先端の動的予測と機械学習を用いた観測を組み合わせた適応バイアス補正(ABC)手法を提案する。また,ヨーロッパ中距離気象予報センター(ecmwf)の先行季節モデルに適用すると,米国における気温予報スキルは60～90%(ベースラインスキル0.18-0.25),降水予報スキルは40～69%(ベースラインスキル0.11-0.15)向上することが示された。これらの性能改善を実践的なワークフローと組み合わせ、ABCのスキル向上を説明し、特定の気候条件に基づいて高度な機会の窓を特定する。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
論文参考訳（メタデータ） (2024-09-08T22:58:46Z)
Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
論文参考訳（メタデータ） (2024-06-13T07:46:03Z)
Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2024-04-26T18:18:25Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。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: 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)
A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文参考訳（メタデータ） (2022-12-29T02:58:12Z)
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)
Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文参考訳（メタデータ） (2020-10-27T21:02:26Z)
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。