論文の概要: GraphCast: Learning skillful medium-range global weather forecasting
- arxiv url: http://arxiv.org/abs/2212.12794v1
- Date: Sat, 24 Dec 2022 18:15:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:37:26.936128
- Title: GraphCast: Learning skillful medium-range global weather forecasting
- Title(参考訳): GraphCast: 熟練した中距離のグローバル天気予報を学習する
- Authors: Remi Lam, Alvaro Sanchez-Gonzalez, Matthew Willson, Peter Wirnsberger,
Meire Fortunato, Alexander Pritzel, Suman Ravuri, Timo Ewalds, Ferran Alet,
Zach Eaton-Rosen, Weihua Hu, Alexander Merose, Stephan Hoyer, George Holland,
Jacklynn Stott, Oriol Vinyals, Shakir Mohamed, Peter Battaglia
- Abstract要約: 機械学習(ML)に基づく気象シミュレーター「GraphCast」について紹介する。
GraphCastは、世界で最も正確な中距離気象予報システムより優れている。
Cloud TPU v4ハードウェア上で10日間の予測(35ギガバイトのデータ)を60秒以内に生成できる。
- 参考スコア(独自算出の注目度): 107.40054095223779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a machine-learning (ML)-based weather simulator--called
"GraphCast"--which outperforms the most accurate deterministic operational
medium-range weather forecasting system in the world, as well as all previous
ML baselines. GraphCast is an autoregressive model, based on graph neural
networks and a novel high-resolution multi-scale mesh representation, which we
trained on historical weather data from the European Centre for Medium-Range
Weather Forecasts (ECMWF)'s ERA5 reanalysis archive. It can make 10-day
forecasts, at 6-hour time intervals, of five surface variables and six
atmospheric variables, each at 37 vertical pressure levels, on a 0.25-degree
latitude-longitude grid, which corresponds to roughly 25 x 25 kilometer
resolution at the equator. Our results show GraphCast is more accurate than
ECMWF's deterministic operational forecasting system, HRES, on 90.0% of the
2760 variable and lead time combinations we evaluated. GraphCast also
outperforms the most accurate previous ML-based weather forecasting model on
99.2% of the 252 targets it reported. GraphCast can generate a 10-day forecast
(35 gigabytes of data) in under 60 seconds on Cloud TPU v4 hardware. Unlike
traditional forecasting methods, ML-based forecasting scales well with data: by
training on bigger, higher quality, and more recent data, the skill of the
forecasts can improve. Together these results represent a key step forward in
complementing and improving weather modeling with ML, open new opportunities
for fast, accurate forecasting, and help realize the promise of ML-based
simulation in the physical sciences.
- Abstract(参考訳): 本稿では,機械学習(ML)に基づく天気予報シミュレータ「GraphCast」について紹介する。
GraphCastは,グラフニューラルネットワークに基づく自己回帰モデルであり,欧州中レージ気象予報センター(ECMWF)のERA5リアナリシスアーカイブからの過去の気象データをトレーニングした,新しい高解像度マルチスケールメッシュ表現である。
5つの表面変数と6つの大気変数からなる10日間の予測を、それぞれ37の垂直圧レベルで行うことができ、赤道で約25 x 25 kmの分解能に対応する0.25度緯度長経グリッドで行うことができる。
以上の結果から,評価した2760変数とリード時間の組み合わせの90.0%に対して,ECMWFの定性的操作予測システムであるHRESよりもグラフCastの方が精度が高いことがわかった。
GraphCastはまた、報告された252ターゲットの99.2%で、MLベースの天気予報モデルよりも正確である。
GraphCastは、Cloud TPU v4ハードウェア上で10日間の予測(35ギガバイトのデータ)を60秒以内に生成できる。
従来の予測方法とは異なり、MLベースの予測は、より大きく、より高品質で、より最近のデータのトレーニングによって、予測のスキルが向上する。
これらの結果は、MLによる気象モデリングを補完し改善するための重要な一歩であり、高速で正確な予測を行う新たな機会を開き、物理科学におけるMLベースのシミュレーションの実現に寄与する。
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) - 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) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳(メタデータ) (2021-10-05T06:37:24Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z) - 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) - 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。