論文の概要: FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead
- arxiv url: http://arxiv.org/abs/2304.02948v1
- Date: Thu, 6 Apr 2023 09:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 14:49:12.467017
- Title: FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead
- Title(参考訳): fengwu:世界の中距離気象予報を10日間以上先導
- Authors: Kang Chen and Tao Han and Junchao Gong and Lei Bai and Fenghua Ling
and Jing-Jia Luo and Xi Chen and Leiming Ma and Tianning Zhang and Rui Su and
Yuanzheng Ci and Bin Li and Xiaokang Yang and Wanli Ouyang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 93.67314652898547
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present FengWu, an advanced data-driven global medium-range weather
forecast system based on Artificial Intelligence (AI). Different from existing
data-driven weather forecast methods, FengWu solves the medium-range forecast
problem from a multi-modal and multi-task perspective. Specifically, a deep
learning architecture equipped with model-specific encoder-decoders and
cross-modal fusion Transformer is elaborately designed, which is learned under
the supervision of an uncertainty loss to balance the optimization of different
predictors in a region-adaptive manner. Besides this, a replay buffer mechanism
is introduced to improve medium-range forecast performance. With 39-year data
training based on the ERA5 reanalysis, FengWu is able to accurately reproduce
the atmospheric dynamics and predict the future land and atmosphere states at
37 vertical levels on a 0.25{\deg} latitude-longitude resolution. Hindcasts of
6-hourly weather in 2018 based on ERA5 demonstrate that FengWu performs better
than GraphCast in predicting 80\% of the 880 reported predictands, e.g.,
reducing the root mean square error (RMSE) of 10-day lead global z500
prediction from 733 to 651 $m^{2}/s^2$. In addition, the inference cost of each
iteration is merely 600ms on NVIDIA Tesla A100 hardware. The results suggest
that FengWu can significantly improve the forecast skill and extend the
skillful global medium-range weather forecast out to 10.75 days lead (with ACC
of z500 > 0.6) for the first time.
- Abstract(参考訳): 我々は人工知能(AI)に基づく先進的なデータ駆動型中距離気象予報システムであるFengWuを紹介する。
既存のデータ駆動型天気予報手法とは異なり、fengwuはマルチモーダルおよびマルチタスクの観点から中距離予測問題を解く。
具体的には、モデル固有のエンコーダデコーダとクロスモーダル融合変換器を備えたディープラーニングアーキテクチャを精巧に設計し、不確実性損失の監督の下で学習し、異なる予測器の最適化を地域適応的にバランスさせる。
さらに、中距離予測性能を改善するために、リプレイバッファ機構を導入する。
ERA5の再分析に基づく39年間のデータトレーニングにより、FengWuは大気力学を正確に再現し、0.25{\deg}緯度経度で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。
ERA5に基づく2018年の6時間の天気予報は、FengWuがGraphCastよりも優れたパフォーマンスを示し、例えば10日間のリードグローバルz500予測の根平均二乗誤差(RMSE)を733から651$m^{2}/s^2$に減らした。
さらに、各イテレーションの推論コストは、NVIDIA Tesla A100ハードウェアの600msに過ぎない。
その結果,fengwuは予測能力を大幅に向上させ,世界中距離気象予報を10.75日リード(accはz500 > 0.6)に拡張できることが示唆された。
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) - 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) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳(メタデータ) (2023-03-28T20:48:01Z) - 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) - 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) - 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。