論文の概要: FuXi-Extreme: Improving extreme rainfall and wind forecasts with
diffusion model
- arxiv url: http://arxiv.org/abs/2310.19822v1
- Date: Wed, 25 Oct 2023 02:16:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-05 13:29:15.451682
- Title: FuXi-Extreme: Improving extreme rainfall and wind forecasts with
diffusion model
- Title(参考訳): FuXi-Extreme:拡散モデルによる豪雨と風速予測の改善
- Authors: Xiaohui Zhong and Lei Chen and Jun Liu and Chensen Lin and Yuan Qi and
Hao Li
- Abstract要約: 我々は,FuXi-Extremeモデルを開発し,FuXiモデルが5日間の予測で生成した表面予測データにおいて,より微細な詳細を復元する。
FuXi と FuXi-Extreme は, HRES と比較すると, TC トラック予測において優れた性能を示したが, HRES と比較すると, TC トラック予測では劣った性能を示した。
- 参考スコア(独自算出の注目度): 14.19376315634697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Significant advancements in the development of machine learning (ML) models
for weather forecasting have produced remarkable results. State-of-the-art
ML-based weather forecast models, such as FuXi, have demonstrated superior
statistical forecast performance in comparison to the high-resolution forecasts
(HRES) of the European Centre for Medium-Range Weather Forecasts (ECMWF).
However, ML models face a common challenge: as forecast lead times increase,
they tend to generate increasingly smooth predictions, leading to an
underestimation of the intensity of extreme weather events. To address this
challenge, we developed the FuXi-Extreme model, which employs a denoising
diffusion probabilistic model (DDPM) to restore finer-scale details in the
surface forecast data generated by the FuXi model in 5-day forecasts. An
evaluation of extreme total precipitation ($\textrm{TP}$), 10-meter wind speed
($\textrm{WS10}$), and 2-meter temperature ($\textrm{T2M}$) illustrates the
superior performance of FuXi-Extreme over both FuXi and HRES. Moreover, when
evaluating tropical cyclone (TC) forecasts based on International Best Track
Archive for Climate Stewardship (IBTrACS) dataset, both FuXi and FuXi-Extreme
shows superior performance in TC track forecasts compared to HRES, but they
show inferior performance in TC intensity forecasts in comparison to HRES.
- Abstract(参考訳): 天気予報のための機械学習(ML)モデルの開発における重要な進歩は、顕著な成果をもたらした。
FuXiのような最先端のMLベースの天気予報モデルは、欧州中レージ気象予報センター(ECMWF)の高解像度予測(HRES)と比較して、優れた統計予測性能を示している。
しかし、MLモデルは共通の課題に直面しており、予測のリードタイムが増加するにつれて、ますますスムーズな予測が生まれ、極端な気象現象の強度が過小評価される傾向にある。
そこで我々は,fuxi-extremeモデルを開発した。このモデルでは,denoising diffusion probabilistic model (ddpm) を用いて,fuxiモデルが生成する表面予測データの詳細を5日間の予測で復元する。
最大降水量 (\textrm{TP}$), 10メートル風速 (\textrm{WS10}$), 2メートル温度 (\textrm{T2M}$) の評価は,FuXi と HRES の双方に対してFuXi-Extremeの優れた性能を示している。
また,IFTrACS(International Best Track Archive for Climate Stewardship)データセットに基づく熱帯サイクロン(TC)予測の評価では,FuxiとFuXi-Extremeの両者とも,HRESと比較してTCトラック予測において優れた性能を示したが,HRESと比較してTC強度予測では劣った性能を示した。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$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) - 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) - 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) - FuXi: A cascade machine learning forecasting system for 15-day global
weather forecast [34.812266901884996]
FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。
FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
論文 参考訳(メタデータ) (2023-06-22T13:34:26Z) - Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。
S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。
我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文 参考訳(メタデータ) (2022-11-28T14:16:22Z) - Learning and Dynamical Models for Sub-seasonal Climate Forecasting:
Comparison and Collaboration [20.52175766498954]
サブシーズン気候予報(サブシーズン気候予報、Sub-seasonal climate forecasting、SSF)は、2週間から2ヶ月の時間地平線における気温や降水などの重要な気候変数の予測である。
近年の研究では、機械学習モデル(ML)がSSFを前進させる可能性を示している。
論文 参考訳(メタデータ) (2021-09-29T06:34:34Z) - 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。