論文の概要: FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation
- arxiv url: http://arxiv.org/abs/2312.12455v1
- Date: Sat, 16 Dec 2023 02:07:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:38:22.424375
- Title: FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation
- Title(参考訳): FengWu-4DVar:4次元変分同化によるデータ駆動型気象予報モデルの結合
- Authors: Yi Xiao, Lei Bai, Wei Xue, Kang Chen, Tao Han, Wanli Ouyang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 71.21242137496031
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Weather forecasting is a crucial yet highly challenging task. With the
maturity of Artificial Intelligence (AI), the emergence of data-driven weather
forecasting models has opened up a new paradigm for the development of weather
forecasting systems. Despite the significant successes that have been achieved
(e.g., surpassing advanced traditional physical models for global medium-range
forecasting), existing data-driven weather forecasting models still rely on the
analysis fields generated by the traditional assimilation and forecasting
system, which hampers the significance of data-driven weather forecasting
models regarding both computational cost and forecasting accuracy. In this
work, we explore the possibility of coupling the data-driven weather
forecasting model with data assimilation by integrating the global AI weather
forecasting model, FengWu, with one of the most popular assimilation
algorithms, Four-Dimensional Variational (4DVar) assimilation, and develop an
AI-based cyclic weather forecasting system, FengWu-4DVar. FengWu-4DVar can
incorporate observational data into the data-driven weather forecasting model
and consider the temporal evolution of atmospheric dynamics to obtain accurate
analysis fields for making predictions in a cycling manner without the help of
physical models. Owning to the auto-differentiation ability of deep learning
models, FengWu-4DVar eliminates the need of developing the cumbersome adjoint
model, which is usually required in the traditional implementation of the 4DVar
algorithm. Experiments on the simulated observational dataset demonstrate that
FengWu-4DVar is capable of generating reasonable analysis fields for making
accurate and efficient iterative predictions.
- Abstract(参考訳): 天気予報は極めて重要な課題である。
人工知能(AI)の成熟に伴い、データ駆動型天気予報モデルの出現により、気象予報システムの開発のための新しいパラダイムが開かれた。
達成された大きな成功にもかかわらず(例えば、グローバルな中距離予測のための高度な物理モデルを上回る)、既存のデータ駆動天気予報モデルは、計算コストと予測精度の両方に関して、データ駆動天気予報モデルの重要性を損なう従来の同化予測システムによって生成された分析分野に依存している。
本研究では,グローバルなAI天気予報モデルであるFengWuと,最も一般的な同化アルゴリズムである4次元変分法(4DVar)とを組み合わせることで,データ駆動型天気予報モデルとデータ同化を結合し,AIに基づく循環気象予報システムFengWu-4DVarを開発する可能性を検討する。
fengwu-4dvarは観測データをデータ駆動型気象予報モデルに組み込むことができ、大気力学の時間発展を考慮に入れ、物理モデルなしでサイクリング方法で予測を行うための正確な解析場を得ることができる。
深層学習モデルの自己微分能力を持つfengwu-4dvarは、4dvarアルゴリズムの従来の実装で通常必要とされる面倒な随伴モデルを開発する必要性をなくす。
シミュレーションされた観測データセットの実験により、FengWu-4DVarは正確かつ効率的な反復予測を行うための合理的な解析場を生成することができることが示された。
関連論文リスト
- Advancing Data-driven Weather Forecasting: Time-Sliding Data
Augmentation of ERA5 [3.3748750222488657]
我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。
本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。
その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
論文 参考訳(メタデータ) (2024-02-13T03:01:22Z) - 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) - DiffDA: a Diffusion model for weather-scale Data Assimilation [20.745067811425173]
本研究では,予測状態とスパース観測を用いて大気変数を同化可能な拡散モデルとしてDiffDAを提案する。
天気予報モデルと天気予報専用拡散モデルとの類似性を認識し,事前学習したGraphCastニューラルネットワークを拡散モデルのバックボーンとして適用する。
論文 参考訳(メタデータ) (2024-01-11T14:11:12Z) - Towards an end-to-end artificial intelligence driven global weather
forecasting system [56.58654971803005]
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,アダスが希少な地球観測を同化して高品質な分析を行うことを示す。
我々は,提案手法を実世界のシナリオに適用した最初の人物である。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting [7.610811907813171]
天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
論文 参考訳(メタデータ) (2023-04-18T06:25:11Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z)
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。