論文の概要: Verification against in-situ observations for Data-Driven Weather Prediction

• arxiv url: http://arxiv.org/abs/2305.00048v1
• Date: Fri, 28 Apr 2023 18:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 17:26:06.085637
• Title: Verification against in-situ observations for Data-Driven Weather Prediction
• Title（参考訳）: データ駆動気象予測のためのその場観測の検証
• Authors: Vivek Ramavajjala, Peetak P. Mitra
• Abstract要約: 近年,データ駆動型気象予報モデル (DDWP) が急速に進展している。 DDWPを真の運用環境で厳格に評価する作業は、まだ残っている。 本研究では,NOAA MADISプログラムから得られたその場観測の頑健なデータセットについて,DDWPを運用環境で評価するためのベンチマークとして機能する。
• 参考スコア（独自算出の注目度）: 0.40611352512781856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven weather prediction models (DDWPs) have made rapid strides in recent years, demonstrating an ability to approximate Numerical Weather Prediction (NWP) models to a high degree of accuracy. The fast, accurate, and low-cost DDWP forecasts make their use in operational forecasting an attractive proposition, however, there remains work to be done in rigorously evaluating DDWPs in a true operational setting. Typically trained and evaluated using ERA5 reanalysis data, DDWPs have been tested only in a simulation, which cannot represent the real world with complete accuracy even if it is of a very high quality. The safe use of DDWPs in operational forecasting requires more thorough "real-world" verification, as well as a careful examination of how DDWPs are currently trained and evaluated. It is worth asking, for instance, how well do the reanalysis datasets, used for training, simulate the real world? With an eye towards climate justice and the uneven availability of weather data: is the simulation equally good for all regions of the world, and would DDWPs exacerbate biases present in the training data? Does a good performance in simulation correspond to good performance in operational settings? In addition to approximating the physics of NWP models, how can ML be uniquely deployed to provide more accurate weather forecasts? As a first step towards answering such questions, we present a robust dataset of in-situ observations derived from the NOAA MADIS program to serve as a benchmark to validate DDWPs in an operational setting. By providing a large corpus of quality-controlled, in-situ observations, this dataset provides a meaningful real-world task that all NWPs and DDWPs can be tested against. We hope that this data can be used not only to rigorously and fairly compare operational weather models but also to spur future research in new directions.
• Abstract（参考訳）: 近年,データ駆動型気象予報モデル (DDWP) が急速に進歩し, 数値気象予報モデル (NWP) を高精度に近似できることを示した。 高速で正確で低コストなddwp予測は、運用予測に利用することが魅力的な提案であるが、真の運用環境でddwpを厳密に評価する作業はまだ残されている。 通常、ERA5の再解析データを用いて訓練され評価され、DDWPはシミュレーションでのみテストされている。 運用予測におけるddwpsの安全な使用には、より詳細な"実世界の"検証と、ddwpの現在の訓練と評価方法の慎重に検討が必要である。 例えば、トレーニングに使用され、現実世界をシミュレートするリアナリシスデータセットは、どの程度うまく機能するのかを問う価値がある。 気候の正義と気象データの不均一性に注目して、このシミュレーションは世界中のすべての地域に等しく良いのか、DDWPsはトレーニングデータに存在するバイアスを悪化させるのだろうか? シミュレーションにおける優れたパフォーマンスは、運用環境での優れたパフォーマンスに相当しますか? NWPモデルの物理を近似するだけでなく、より正確な天気予報を提供するためにMLをどのように一意に展開できるか? このような質問に答える第一歩として,NOAA MADISプログラムから得られたその場観測の頑健なデータセットを,DDWPを運用環境で検証するためのベンチマークとして提供する。 品質管理されたその場観察の大規模なコーパスを提供することで、このデータセットはすべてのNWPとDDWPをテスト可能な有意義な現実世界タスクを提供する。 このデータは、運用中の気象モデルを厳密かつ公平に比較するだけでなく、今後の研究の推進にも活用できることを願っています。

関連論文リスト

• Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
  私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。 合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。 365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
  論文  参考訳（メタデータ） (2024-07-19T08:59:00Z)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• 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)
• 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)
• 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)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• 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)
• DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
  我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。 これは、数値天気予報(NWP)のバイアス補正と後処理に似ている 私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
  論文  参考訳（メタデータ） (2022-10-21T23:04:44Z)
• Benchmark Dataset for Precipitation Forecasting by Post-Processing the Numerical Weather Prediction [11.52104902059751]
  スタンドアロンNWPとDLのギャップを埋めるためのハイブリッドNWP-DLワークフローを提案する。 このワークフローでは、NWP出力を深いモデルに入力し、データを後処理して洗練された降水予測を生成する。 我々は,NWP予測とAWS観測による朝鮮半島の新たなデータセットを提案する。
  論文  参考訳（メタデータ） (2022-06-30T12:41:32Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。