論文の概要: SwinRDM: Integrate SwinRNN with Diffusion Model towards High-Resolution and High-Quality Weather Forecasting

• arxiv url: http://arxiv.org/abs/2306.03110v1
• Date: Mon, 5 Jun 2023 05:11:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 19:10:19.262907
• Title: SwinRDM: Integrate SwinRNN with Diffusion Model towards High-Resolution and High-Quality Weather Forecasting
• Title（参考訳）: SwinRDM:高分解能・高品質気象予報に向けた拡散モデルとSwinRNNの統合
• Authors: Lei Chen, Fei Du, Yuan Hu, Fan Wang, Zhibin Wang
• Abstract要約: 我々はSwinRNNの改良版と拡散モデルを統合するデータ駆動モデルSwinRDMを開発した。 SwinRDMは0.25度の解像度で予測を行い、IFSよりも優れた予測精度を達成する。
• 参考スコア（独自算出の注目度）: 18.464408838231957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven medium-range weather forecasting has attracted much attention in recent years. However, the forecasting accuracy at high resolution is unsatisfactory currently. Pursuing high-resolution and high-quality weather forecasting, we develop a data-driven model SwinRDM which integrates an improved version of SwinRNN with a diffusion model. SwinRDM performs predictions at 0.25-degree resolution and achieves superior forecasting accuracy to IFS (Integrated Forecast System), the state-of-the-art operational NWP model, on representative atmospheric variables including 500 hPa geopotential (Z500), 850 hPa temperature (T850), 2-m temperature (T2M), and total precipitation (TP), at lead times of up to 5 days. We propose to leverage a two-step strategy to achieve high-resolution predictions at 0.25-degree considering the trade-off between computation memory and forecasting accuracy. Recurrent predictions for future atmospheric fields are firstly performed at 1.40625-degree resolution, and then a diffusion-based super-resolution model is leveraged to recover the high spatial resolution and finer-scale atmospheric details. SwinRDM pushes forward the performance and potential of data-driven models for a large margin towards operational applications.
• Abstract（参考訳）: 近年,データ駆動の中距離気象予報が注目されている。 しかし,現在,高解像度での予測精度は不十分である。 本研究では,高分解能で高品質な気象予報を追求し,swainrnnの改良版と拡散モデルを統合するデータ駆動型swainrdmを開発した。 SwinRDMは0.25度の解像度で予測を行い、500 hPa(Z500), 850 hPa(T850), 2m温度(T2M), 総降水量(TP)などの代表変数を最大5日間のリードタイムで、最先端のNWPモデルであるIFS(Integrated Forecast System)に優れた予測精度を達成している。 本稿では,計算メモリと予測精度のトレードオフを考慮した2段階の予測手法を提案する。 将来の大気の繰り返し予測はまず1.40625度で行い、拡散に基づく超解像モデルを利用して高空間分解能とより微細な大気の詳細を復元する。 SwinRDMはデータ駆動モデルのパフォーマンスとポテンシャルを推し進めて、運用アプリケーションに大きく貢献する。

関連論文リスト

• Regional data-driven weather modeling with a global stretched-grid [0.3804109677654105]
  このモデルはグラフニューラルネットワークに基づいており、これは自然に任意のマルチレゾリューショングリッド構成を提供する。 このモデルは北欧の短距離気象予測に適用され、2.5km、時間分解能は6hと予測される。 このモデルは、競争力のある降水量や風速予測も生み出すが、極端な出来事を過小評価している。
  論文  参考訳（メタデータ） (2024-09-04T17:31:20Z)
• FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [16.562512279873577]
  我々は,最大15日間のグローバルアンサンブル天気予報を実現するために設計された,高度なMLモデルであるFuXi-ENSを紹介する。 FuXi-ENS は空間分解能が 0.25 度大きく向上し、13の圧力レベルで5つの大気変数と13の表面変数が組み込まれている。 その結果,FXi-ENSは360変数の98.1%のCRPSと予測リードタイムの組み合わせで,世界有数のNWPモデルであるECMWFのアンサンブル予測よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-09T17:15:09Z)
• KARINA: An Efficient Deep Learning Model for Global Weather Forecast [2.9687381456164004]
  カリナは計算資源が大幅に少ない高解像度の予測精度を達成している。 カリナはConvNext、SENet、Geocyclic Paddingを統合し、2.5degの解像度で天気予報を強化する。 カリナは気象予報の精度を新たなベンチマークで設定し、ECMWF S2Sのような既存のモデルを最大7日間のリードタイムで上回った。
  論文  参考訳（メタデータ） (2024-03-13T06:41:37Z)
• 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)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  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 [75.38539438000072]
  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。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 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)
• 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)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• 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。