論文の概要: Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciar\'an

• arxiv url: http://arxiv.org/abs/2312.02658v2
• Date: Mon, 19 Feb 2024 10:02:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 04:22:47.955090
• Title: Do AI models produce better weather forecasts than physics-based models? A quantitative evaluation case study of Storm Ciar\'an
• Title（参考訳）: AIモデルは物理モデルよりも天気予報が良いか? storm ciar\'anの定量的評価ケーススタディ
• Authors: Andrew J. Charlton-Perez, Helen F. Dacre, Simon Driscoll, Suzanne L. Gray, Ben Harvey, Natalie J. Harvey, Kieran M. R. Hunt, Robert W. Lee, Ranjini Swaminathan, Remy Vandaele, Ambrogio Volont\'e
• Abstract要約: ストーム・シアラン(Storm Ciar'an)は、ヨーロッパ北部で16人が死亡し、大きな被害を受けた暴風雨である。 機械学習と数値天気予報モデルによるストームシアンの予測を比較した。 本研究は,機械学習の天気予報の性能と特性について検討した。
• 参考スコア（独自算出の注目度）: 1.8538616230195128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been huge recent interest in the potential of making operational weather forecasts using machine learning techniques. As they become a part of the weather forecasting toolbox, there is a pressing need to understand how well current machine learning models can simulate high-impact weather events. We compare forecasts of Storm Ciar\'an, a European windstorm that caused sixteen deaths and extensive damage in Northern Europe, made by machine learning and numerical weather prediction models. The four machine learning models considered (FourCastNet, Pangu-Weather, GraphCast and FourCastNet-v2) produce forecasts that accurately capture the synoptic-scale structure of the cyclone including the position of the cloud head, shape of the warm sector and location of warm conveyor belt jet, and the large-scale dynamical drivers important for the rapid storm development such as the position of the storm relative to the upper-level jet exit. However, their ability to resolve the more detailed structures important for issuing weather warnings is more mixed. All of the machine learning models underestimate the peak amplitude of winds associated with the storm, only some machine learning models resolve the warm core seclusion and none of the machine learning models capture the sharp bent-back warm frontal gradient. Our study shows there is a great deal about the performance and properties of machine learning weather forecasts that can be derived from case studies of high-impact weather events such as Storm Ciar\'an.
• Abstract（参考訳）: 近年,機械学習技術を用いて気象予報を行う可能性に大きな関心が寄せられている。 天気予報ツールボックスの一部になるにつれて、現在の機械学習モデルが、ハイインパクトな気象イベントをいかにシミュレートできるかを理解する必要がある。 我々は、北欧で16人の死者と大規模な被害を引き起こしたヨーロッパの暴風雨であるStorm Ciar\anの予測を、機械学習と数値気象予測モデルによって比較した。 4つの機械学習モデル (FourCastNet, Pangu-Weather, GraphCast, FourCastNet-v2) は, 雲頭の位置, 暖房セクターの形状, 暖機ベルトジェットの位置を含むサイクロンの光学的構造を正確に把握し, 嵐の発生に重要な大規模動力学的要因である上層ジェット出口に対するストームの位置などの予測を行う。 しかし、気象警報を発する上で重要なより詳細な構造を解く能力は、より混ざり合っている。 いずれの機械学習モデルも、嵐に伴う風のピーク振幅を過小評価しており、一部の機械学習モデルだけが暖かいコア分離を解決し、機械学習モデルも鋭い屈曲バックの温かい前面勾配を捉えていない。 本研究は,Storm Ciar\anのような高影響気象事象のケーススタディから得られる,機械学習天気予報の性能と特性について検討した。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
  現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。 現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
  論文  参考訳（メタデータ） (2024-09-27T08:11:49Z)
• WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
  干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。 このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。 我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T05:23:18Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
  気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。 我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。 しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T18:18:25Z)
• 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)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
  本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。 モデルの精度は、現在の最先端技術と併用するのに十分である。
  論文  参考訳（メタデータ） (2020-08-25T02:41:32Z)

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。