論文の概要: W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting
- arxiv url: http://arxiv.org/abs/2304.08754v1
- Date: Tue, 18 Apr 2023 06:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 15:53:44.032088
- Title: W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting
- Title(参考訳): w-mae:マルチ変数天気予報のためのマスク付きオートエンコーダによる事前学習型気象モデル
- Authors: Xin Man, Chenghong Zhang, Changyu Li, Jie Shao
- Abstract要約: マルチ時間気象予報のためのMasked AutoEncoderプリトレーニングによる気象モデルを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
我々は、気象変数の将来状態を予測するために、事前訓練されたW-MAEを微調整し、気象データに存在する時間的依存関係をモデル化する。
- 参考スコア(独自算出の注目度): 26.267827908806215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weather forecasting is a long-standing computational challenge with direct
societal and economic impacts. This task involves a large amount of continuous
data collection and exhibits rich spatiotemporal dependencies over long
periods, making it highly suitable for deep learning models. In this paper, we
apply pre-training techniques to weather forecasting and propose W-MAE, a
Weather model with Masked AutoEncoder pre-training for multi-variable weather
forecasting. W-MAE is pre-trained in a self-supervised manner to reconstruct
spatial correlations within meteorological variables. On the temporal scale, we
fine-tune the pre-trained W-MAE to predict the future states of meteorological
variables, thereby modeling the temporal dependencies present in weather data.
We pre-train W-MAE using the fifth-generation ECMWF Reanalysis (ERA5) data,
with samples selected every six hours and using only two years of data. Under
the same training data conditions, we compare W-MAE with FourCastNet, and W-MAE
outperforms FourCastNet in precipitation forecasting. In the setting where the
training data is far less than that of FourCastNet, our model still performs
much better in precipitation prediction (0.80 vs. 0.98). Additionally,
experiments show that our model has a stable and significant advantage in
short-to-medium-range forecasting (i.e., forecasting time ranges from 6 hours
to one week), and the longer the prediction time, the more evident the
performance advantage of W-MAE, further proving its robustness.
- Abstract(参考訳): 天気予報は社会と経済の直接的な影響を伴う長年の計算課題である。
このタスクは大量の連続データ収集を伴い、長期間にわたって豊富な時空間依存性を示し、ディープラーニングモデルに非常に適しています。
本稿では,気象予報に事前学習手法を適用し,多変量気象予報のためのMasked AutoEncoderを用いた気象モデルW-MAEを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
時間スケールでは、事前訓練したW-MAEを微調整し、気象変数の将来の状態を予測し、気象データに存在する時間依存性をモデル化する。
我々は,第5世代ECMWFリアナリシス(ERA5)データを用いて,サンプルを6時間毎に選択し,わずか2年のデータを用いて,W-MAEを事前訓練した。
同じトレーニングデータ条件下では、降水予測においてW-MAEとFourCastNetを比較し、W-MAEはFourCastNetを上回っている。
トレーニングデータがfourcastnetよりはるかに少ない環境では, 降水予測(0.80 対 0.98)では, モデルの方がずっと良好である。
さらに,本モデルが6時間から1週間の近距離予測において安定かつ有意な優位性を示すとともに,予測時間が長ければ長いほど,W-MAEの性能上の優位性が向上し,ロバスト性がさらに証明された。
関連論文リスト
- FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [14.078473399001348]
FuXi-ENSは6時間のグローバルアンサンブル天気予報を最大15日間配信するために設計された高度な機械学習モデルである。
空間分解能は0.25degと大幅に改善され、13の圧力レベルに5つの上層大気変数と13の地表変数が組み込まれている。
FuXi-ENSは欧州中距離気象予報センターのアンサンブル予測を上回っている。
論文 参考訳(メタデータ) (2024-05-09T17:15:09Z) - An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文 参考訳(メタデータ) (2024-03-22T20:01:53Z) - Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳(メタデータ) (2024-03-20T10:07:51Z) - 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,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-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - 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) - 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) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - 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) - A framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳(メタデータ) (2020-05-06T16:46:02Z)
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。