論文の概要: Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast

• arxiv url: http://arxiv.org/abs/2211.02556v1
• Date: Thu, 3 Nov 2022 17:19:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 15:52:31.289712
• Title: Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast
• Title（参考訳）: Pangu-Weather: 高速で正確な地球天気予報のための3次元高分解能モデル
• Authors: Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, Qi Tian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 91.9372563527801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present Pangu-Weather, a deep learning based system for fast and accurate global weather forecast. For this purpose, we establish a data-driven environment by downloading $43$ years of hourly global weather data from the 5th generation of ECMWF reanalysis (ERA5) data and train a few deep neural networks with about $256$ million parameters in total. The spatial resolution of forecast is $0.25^\circ\times0.25^\circ$, comparable to the ECMWF Integrated Forecast Systems (IFS). More importantly, for the first time, an AI-based method outperforms state-of-the-art numerical weather prediction (NWP) methods in terms of accuracy (latitude-weighted RMSE and ACC) of all factors (e.g., geopotential, specific humidity, wind speed, temperature, etc.) and in all time ranges (from one hour to one week). There are two key strategies to improve the prediction accuracy: (i) designing a 3D Earth Specific Transformer (3DEST) architecture that formulates the height (pressure level) information into cubic data, and (ii) applying a hierarchical temporal aggregation algorithm to alleviate cumulative forecast errors. In deterministic forecast, Pangu-Weather shows great advantages for short to medium-range forecast (i.e., forecast time ranges from one hour to one week). Pangu-Weather supports a wide range of downstream forecast scenarios, including extreme weather forecast (e.g., tropical cyclone tracking) and large-member ensemble forecast in real-time. Pangu-Weather not only ends the debate on whether AI-based methods can surpass conventional NWP methods, but also reveals novel directions for improving deep learning weather forecast systems.
• Abstract（参考訳）: 本稿では,世界天気予報の迅速かつ高精度な深層学習システムであるPangu-Weatherを紹介する。 この目的のために,第5世代ECMWFリアナリシス(ERA5)データから,時給43ドルのグローバル気象データをダウンロードして,合計で256万ドル(約2億6500万円)のパラメータを持つ,いくつかのディープニューラルネットワークをトレーニングすることで,データ駆動環境を確立する。 予測の空間解像度は、ECMWF統合予測システム(IFS)に匹敵する0.25^\circ\times0.25^\circ$である。 さらに重要なことに、AIベースの手法は、すべての要因(例えば、地磁気、比湿度、風速、温度など)の正確さ(RMSEとACCの高度重み付け)と、すべての時間範囲(例えば、1時間から1週間)において、最先端の数値天気予報(NWP)手法を初めて上回る。 予測精度を改善するための2つの重要な戦略がある。 (i)高さ(圧力レベル)情報を立方体データに定式化する3次元地球固有変圧器(3dest)アーキテクチャの設計、 (ii)累積予測誤差を軽減するために階層的時間集約アルゴリズムを適用すること。 決定論的予測では、Pangu-Weatherは短距離から中距離の予測(すなわち予測時間は1時間から1週間)に大きな利点を示す。 Pangu-Weatherは、極端な天気予報(熱帯サイクロンの追跡など)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。 Pangu-Weather氏は、AIベースの手法が従来のNWP手法を超えることができるかどうかの議論を終わらせるだけでなく、ディープラーニングの天気予報システムを改善するための新しい方向性を明らかにしている。

関連論文リスト

• Super Resolution On Global Weather Forecasts [0.1747623282473278]
  グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。 具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
  論文  参考訳（メタデータ） (2024-09-17T19:07:13Z)
• FuXi Weather: An end-to-end machine learning weather data assimilation and forecasting system [13.824417759272785]
  本稿では,エンド・ツー・エンドの機械学習による天気予報システムであるFuXi Weatherを紹介する。 FuXi Weatherは、様々な情報源の情報を統合するために、特別なデータ前処理とマルチモーダルデータ融合技術を採用している。 安定で正確な10日間の世界的な天気予報を、空間解像度0.25textで独自に生成する。
  論文  参考訳（メタデータ） (2024-08-10T07:42:01Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• 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)
• 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)
• 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)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  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。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)
• 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。