論文の概要: Towards an end-to-end artificial intelligence driven global weather
forecasting system
- arxiv url: http://arxiv.org/abs/2312.12462v2
- Date: Fri, 1 Mar 2024 09:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-04 14:01:10.676139
- Title: Towards an end-to-end artificial intelligence driven global weather
forecasting system
- Title(参考訳): 人工知能による世界天気予報システムの実現に向けて
- Authors: Kun Chen, Lei Bai, Fenghua Ling, Peng Ye, Tao Chen, Jing-Jia Luo, Hao
Chen, Kang Chen, Tao Han, Wanli Ouyang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 56.58654971803005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The weather forecasting system is important for science and society, and
significant achievements have been made in applying artificial intelligence
(AI) to medium-range weather forecasting. However, existing AI-based weather
forecasting models rely on analysis or reanalysis products from the traditional
numerical weather prediction (NWP) systems as initial conditions for making
predictions. Initial states are typically generated by traditional data
assimilation component, which is computational expensive and time-consuming.
Here we present an AI-based data assimilation model, i.e., Adas, for global
weather variables. And we combine Adas with the advanced AI-based weather
forecasting model (i.e., FengWu) to construct the first end-to-end AI-based
global weather forecasting system: FengWu-Adas. We demonstrate that Adas can
assimilate sparse global observations to produce high-quality analysis,
enabling the system operate stably for long term. Moreover, we are the first to
apply the propose methods to real-world scenarios, which is more challenging
and has considerable practical application potential.
- Abstract(参考訳): 気象予報システムは科学・社会にとって重要であり,中距離気象予報に人工知能(AI)を適用する上で重要な成果が得られた。
しかし、既存のaiベースの天気予報モデルは、従来の数値気象予報(nwp)システムからの製品の分析や再分析を予測のための初期条件として頼りにしている。
初期状態は通常、計算コストと時間を要する従来のデータ同化コンポーネントによって生成される。
ここでは,グローバル気象変数のためのaiに基づくデータ同化モデル(adas)を提案する。
また、Adasと高度なAIベースの天気予報モデル(FengWu)を組み合わせることで、初のエンドツーエンドAIベースのグローバル気象予報システムであるFengWu-Adasを構築します。
我々は,アダスが粗大な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に動作することを示す。
さらに,提案手法を現実のシナリオに適用する上で,本手法はより困難であり,実用的な応用の可能性も高い。
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) - Is Artificial Intelligence Providing the Second Revolution for Weather
Forecasting? [11.596229688433803]
天気予報に革命をもたらす人工知能の可能性について論じる。
我々は、予測者が高度な人工知能モデルにどのように適応し活用できるかを示す。
我々は従来の数値予測の不定値を強調する。
論文 参考訳(メタデータ) (2024-01-30T01:34:43Z) - 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) - A Practical Probabilistic Benchmark for AI Weather Models [0.8278356279004184]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。
また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文 参考訳(メタデータ) (2024-01-27T05:53:16Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
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) - Foundation Models for Weather and Climate Data Understanding: A
Comprehensive Survey [39.08108001903514]
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。
論文 参考訳(メタデータ) (2023-12-05T01:10:54Z) - 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) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳(メタデータ) (2023-01-12T02:07:26Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z)
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。