論文の概要: FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models
- arxiv url: http://arxiv.org/abs/2312.09926v2
- Date: Fri, 5 Jul 2024 08:23:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 00:32:39.275943
- Title: FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models
- Title(参考訳): FuXi-S2S:従来のグローバルサブシーズン予測モデルを上回る機械学習モデル
- Authors: Lei Chen, Xiaohui Zhong, Hao Li, Jie Wu, Bo Lu, Deliang Chen, Shangping Xie, Qingchen Chao, Chensen Lin, Zixin Hu, Yuan Qi,
- Abstract要約: FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、グローバルな日平均予測を最大42日間提供する機械学習モデルである。
ECMWF ERA5の再分析データから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルを上回っている。
- 参考スコア(独自算出の注目度): 13.852128658186876
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skillful subseasonal forecasts are crucial for various sectors of society but pose a grand scientific challenge. Recently, machine learning based weather forecasting models outperform the most successful numerical weather predictions generated by the European Centre for Medium-Range Weather Forecasts (ECMWF), but have not yet surpassed conventional models at subseasonal timescales. This paper introduces FuXi Subseasonal-to-Seasonal (FuXi-S2S), a machine learning model that provides global daily mean forecasts up to 42 days, encompassing five upper-air atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S, trained on 72 years of daily statistics from ECMWF ERA5 reanalysis data, outperforms the ECMWF's state-of-the-art Subseasonal-to-Seasonal model in ensemble mean and ensemble forecasts for total precipitation and outgoing longwave radiation, notably enhancing global precipitation forecast. The improved performance of FuXi-S2S can be primarily attributed to its superior capability to capture forecast uncertainty and accurately predict the Madden-Julian Oscillation (MJO), extending the skillful MJO prediction from 30 days to 36 days. Moreover, FuXi-S2S not only captures realistic teleconnections associated with the MJO, but also emerges as a valuable tool for discovering precursor signals, offering researchers insights and potentially establishing a new paradigm in Earth system science research.
- Abstract(参考訳): 熟練したサブシーズン予測は社会の様々な分野に不可欠であるが、大きな科学的課題を生じさせる。
近年、機械学習に基づく天気予報モデルは、欧州中レージ気象予報センター(ECMWF)が生み出した最も成功した数値的な天気予報モデルよりも優れているが、日中時間帯では従来のモデルを超えていない。
本稿では, 最大42日間の日平均予測を行う機械学習モデルFuXi Subseasonal-to-Seasonal (FuXi-S2S) について述べる。
ECMWF ERA5リアナリシスデータから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルよりも、合計降水量および長波放射量に対するアンサンブル平均およびアンサンブル予測で優れており、特に世界的な降水量の予測が向上している。
FuXi-S2Sの性能改善は、予測の不確実性を捕捉し、MJO(Madden-Julian Oscillation)を正確に予測し、熟練したMJO予測を30日から36日延長する能力に起因している。
さらに、FuXi-S2Sは、MJOに関連する現実的な遠隔通信をキャプチャするだけでなく、先駆的な信号を発見し、研究者の洞察を提供し、地球システム科学研究の新しいパラダイムを確立するための貴重なツールとして出現する。
関連論文リスト
- FuXi-2.0: Advancing machine learning weather forecasting model for practical applications [11.50902060124504]
FuXi-2.0は先進的な機械学習モデルであり、1時間の世界的な天気予報を配信し、気象変数の包括的なセットを含む。
FuXi-2.0は、風力や太陽エネルギー、航空、海運などに関連する重要な気象変数を予測するために、ECMWF HRESを一貫して上回っている。
FuXi-2.0 は大気と海洋の両方を統合しており、大気と海洋を結合したモデルの開発において大きな前進を示している。
論文 参考訳(メタデータ) (2024-09-11T11:21:00Z) - FuXi Weather: An end-to-end machine learning weather data assimilation and forecasting system [13.824417759272785]
本稿では,エンド・ツー・エンドの機械学習による天気予報システムであるFuXi Weatherを紹介する。
FuXi Weatherは、様々な情報源の情報を統合するために、特別なデータ前処理とマルチモーダルデータ融合技術を採用している。
安定で正確な10日間の世界的な天気予報を、空間解像度0.25textで独自に生成する。
論文 参考訳(メタデータ) (2024-08-10T07:42:01Z) - An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文 参考訳(メタデータ) (2024-03-22T20:01:53Z) - 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 [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) - 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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - 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) - 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) - 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。