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
- 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts [14.264411727585347]
FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、機械学習に基づくサブシーズン予測モデルである。
FuXi-S2Sは、拡張されたFuXiベースモデルと、隠れた特徴のフロー依存摂動のための摂動モジュールを統合している。
年間平均気温は最大42日で、13の圧力レベルと11の地表変数で5つの上層大気変数をカバーしている。
論文 参考訳(メタデータ) (2023-12-15T16:31:44Z) - 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) - 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) - 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。