論文の概要: FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts
- arxiv url: http://arxiv.org/abs/2312.09926v1
- Date: Fri, 15 Dec 2023 16:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 14:53:35.135902
- Title: FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts
- Title(参考訳): FuXi-S2S:グローバルサブシーズン予測のための正確な機械学習モデル
- Authors: Lei Chen, Xiaohui Zhong, Jie Wu, Deliang Chen, Shangping Xie, Qingchen
Chao, Chensen Lin, Zixin Hu, Bo Lu, Hao Li, Yuan Qi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.264411727585347
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skillful subseasonal forecasts beyond 2 weeks are crucial for a wide range of
applications across various sectors of society. Recently, state-of-the-art
machine learning based weather forecasting models have made significant
advancements, outperforming the high-resolution forecast (HRES) from the
European Centre for Medium-Range Weather Forecasts (ECMWF). However, the full
potential of machine learning models in subseasonal forecasts has yet to be
fully explored. In this study, we introduce FuXi Subseasonal-to-Seasonal
(FuXi-S2S), a machine learning based subseasonal forecasting model that
provides global daily mean forecasts up to 42 days, covering 5 upper-air
atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S
integrates an enhanced FuXi base model with a perturbation module for
flow-dependent perturbations in hidden features, and incorporates Perlin noise
to perturb initial conditions. The model is developed using 72 years of daily
statistics from ECMWF ERA5 reanalysis data. When compared to the ECMWF
Subseasonal-to-Seasonal (S2S) reforecasts, the FuXi-S2S forecasts demonstrate
superior deterministic and ensemble forecasts for total precipitation (TP),
outgoing longwave radiation (OLR), and geopotential at 500 hPa (Z500). Although
it shows slightly inferior performance in predicting 2-meter temperature (T2M),
it has clear advantages over land area. Regarding the extreme forecasts,
FuXi-S2S outperforms ECMWF S2S globally for TP. Furthermore, FuXi-S2S forecasts
surpass the ECMWF S2S reforecasts in predicting the Madden Julian Oscillation
(MJO), a key source of subseasonal predictability. They extend the skillful
prediction of MJO from 30 days to 36 days.
- Abstract(参考訳): 2週間を超える熟練した季節予測は、社会の様々な分野にまたがる幅広い応用に不可欠である。
近年、最先端の機械学習に基づく天気予報モデルが大幅に進歩し、欧州中レージ気象予報センター(ECMWF)の高解像度予測(HRES)を上回っている。
しかし、サブシーズン予測における機械学習モデルの潜在能力は、まだ十分に調査されていない。
本研究では,全日平均気温を42日程度まで予測し,13の気圧レベルと11の表層変数で5つの上層大気変数をカバーする,機械学習に基づく季節間予測モデルfuxi-s2sについて紹介する。
fuxi-s2sは、拡張されたfuxiベースモデルと、隠れた機能におけるフロー依存の摂動のための摂動モジュールを統合し、perlinノイズを初期条件の摂動に組み込む。
このモデルはECMWF ERA5の再解析データから72年間の日次統計データを用いて開発された。
ECMWF サブシーズン・ツー・シーソナル (S2S) の再放送と比較すると,FuXi-S2S 予測は総降水量 (TP) , 長波放射量 (OLR) および500 hPa (Z500) において優れた決定論的およびアンサンブル予測を示す。
2メートル温度(T2M)の予測性能はわずかに劣るが,陸域に対して明らかな利点がある。
極端な予測に関して、FuXi-S2SはTPのECMWF S2Sを全世界的に上回っている。
さらに、FuXi-S2S予測は、MJO(Madden Julian Oscillation)予測においてECMWF S2Sの再予測を上回る。
彼らはmjoの巧みな予測を30日から36日まで延長した。
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) - ChaosBench: A Multi-Channel, Physics-Based Benchmark for
Subseasonal-to-Seasonal Climate Prediction [24.23266726649901]
ChaosBenchは、S2S(Subseasonal-to-seasonal)予測のための大規模でマルチチャネルな物理ベースのベンチマークである。
ChaosBenchには460Kフレームの現実世界の観測とシミュレーションがあり、それぞれが60の可変チャネルを持ち、最大45年間をカバーしている。
複雑度が異なる2つのタスク、フルとスパースなダイナミクス予測を確立します。
論文 参考訳(メタデータ) (2024-02-01T16:07:12Z) - 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-Extreme: Improving extreme rainfall and wind forecasts with
diffusion model [14.19376315634697]
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。
論文 参考訳(メタデータ) (2023-10-25T02:16:02Z) - 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) - 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) - 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) - 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) - Sub-seasonal forecasting with a large ensemble of deep-learning weather
prediction models [6.882042556551611]
深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。
このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。
エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
論文 参考訳(メタデータ) (2021-02-09T20:14:43Z) - 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。