論文の概要: Foundation Models for Weather and Climate Data Understanding: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2312.03014v1
• Date: Tue, 5 Dec 2023 01:10:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 17:24:27.172598
• Title: Foundation Models for Weather and Climate Data Understanding: A Comprehensive Survey
• Title（参考訳）: 気象・気候データ理解のための基礎モデル:総合的な調査
• Authors: Shengchao Chen, Guodong Long, Jing Jiang, Dikai Liu, and Chengqi Zhang
• Abstract要約: 私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。 主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
• 参考スコア（独自算出の注目度）: 39.08108001903514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As artificial intelligence (AI) continues to rapidly evolve, the realm of Earth and atmospheric sciences is increasingly adopting data-driven models, powered by progressive developments in deep learning (DL). Specifically, DL techniques are extensively utilized to decode the chaotic and nonlinear aspects of Earth systems, and to address climate challenges via understanding weather and climate data. Cutting-edge performance on specific tasks within narrower spatio-temporal scales has been achieved recently through DL. The rise of large models, specifically large language models (LLMs), has enabled fine-tuning processes that yield remarkable outcomes across various downstream tasks, thereby propelling the advancement of general AI. However, we are still navigating the initial stages of crafting general AI for weather and climate. In this survey, we offer an exhaustive, timely overview of state-of-the-art AI methodologies specifically engineered for weather and climate data, with a special focus on time series and text data. Our primary coverage encompasses four critical aspects: types of weather and climate data, principal model architectures, model scopes and applications, and datasets for weather and climate. Furthermore, in relation to the creation and application of foundation models for weather and climate data understanding, we delve into the field's prevailing challenges, offer crucial insights, and propose detailed avenues for future research. This comprehensive approach equips practitioners with the requisite knowledge to make substantial progress in this domain. Our survey encapsulates the most recent breakthroughs in research on large, data-driven models for weather and climate data understanding, emphasizing robust foundations, current advancements, practical applications, crucial resources, and prospective research opportunities.
• Abstract（参考訳）: 人工知能(AI)は急速に進化し続けており、地球と大気科学の領域は、深層学習(DL)の進歩的な発展によるデータ駆動モデルの採用がますます進んでいる。 特に、DL技術は、地球のシステムのカオス的・非線形的な側面をデコードし、気象や気候データを理解することで気候問題に対処するために広く利用されている。 より狭い時空間スケールでの特定のタスクにおけるカットエッジ性能は、最近DLによって達成されている。 大規模モデルの台頭、特に大規模言語モデル(LLM)は、様々な下流タスクで顕著な結果をもたらす微調整プロセスを可能にし、汎用AIの進歩を推進している。 しかし、天気と気候のための汎用AIの開発の初期段階は、まだナビゲート中です。 本稿では,気象・気候データに特化した最新のai方法論の徹底したタイムリーな概要を,時系列とテキストデータを中心に紹介する。 主な対象は、気象・気候データの種類、主要モデルアーキテクチャ、モデルスコープと応用、気象・気候のデータセットの4つです。 さらに,気象・気候データ理解のための基礎モデルの作成と応用に関して,この分野の課題を考察し,重要な知見を提供し,今後の研究に向けた詳細な道筋を提案する。 この包括的なアプローチは実践者に必要な知識を与え、この分野でかなりの進歩をもたらす。 我々の調査は、気象および気候データ理解のための大規模データ駆動モデルの研究における最新のブレークスルーを要約し、堅牢な基盤、現在の進歩、実践的応用、重要なリソース、そして将来的な研究機会を強調した。

関連論文リスト

• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and Challenges [4.497634148674422]
  一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。 ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
  論文  参考訳（メタデータ） (2023-10-30T19:12:51Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• AI Foundation Models for Weather and Climate: Applications, Design, and Implementation [3.3929630603919394]
  機械学習と深層学習は、大気のカオス的な振る舞いを理解し、天気予報を促進するために広く研究されてきた。 変換器、物理インフォームド機械学習、グラフニューラルネットワークを用いた最近のアプローチは、比較的狭いスケールと特定のタスクで最先端のパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2023-09-19T17:50:27Z)
• ClimateLearn: Benchmarking Machine Learning for Weather and Climate Modeling [20.63843548201849]
  ClimateLearnは、データ駆動型気候科学のための機械学習モデルのトレーニングと評価を大幅に単純化する、オープンソースのライブラリである。 これは、現代の機械学習システムによる気象と気候モデリングの研究をブリッジする、最初の大規模かつオープンソースな取り組みである。
  論文  参考訳（メタデータ） (2023-07-04T20:36:01Z)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)

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。