論文の概要: GenCast: Diffusion-based ensemble forecasting for medium-range weather

• arxiv url: http://arxiv.org/abs/2312.15796v1
• Date: Mon, 25 Dec 2023 19:30:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 16:33:24.236562
• Title: GenCast: Diffusion-based ensemble forecasting for medium-range weather
• Title（参考訳）: GenCast:中距離気象の拡散に基づくアンサンブル予測
• Authors: Ilan Price, Alvaro Sanchez-Gonzalez, Ferran Alet, Timo Ewalds, Andrew El-Kadi, Jacklynn Stott, Shakir Mohamed, Peter Battaglia, Remi Lam, Matthew Willson
• Abstract要約: 我々は、再分析データから学習した、アンサンブル天気予報のためのMLベースの生成モデルGenCastを紹介する。 84の気象変数に対する軌道のアンサンブルを、全世界で1度の解像度で15日間予測し、単一のクラウドTPU v4デバイスで1アンサンブルメンバー1人あたり約1分を要した。 CRPS と Ensemble-Mean RMSE の 1320 の検証対象の 96% 以上に対して,GenCast は ENS よりも熟練していることを示す。
• 参考スコア（独自算出の注目度）: 10.94723546695464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic weather forecasting is critical for decision-making in high-impact domains such as flood forecasting, energy system planning or transportation routing, where quantifying the uncertainty of a forecast -- including probabilities of extreme events -- is essential to guide important cost-benefit trade-offs and mitigation measures. Traditional probabilistic approaches rely on producing ensembles from physics-based models, which sample from a joint distribution over spatio-temporally coherent weather trajectories, but are expensive to run. An efficient alternative is to use a machine learning (ML) forecast model to generate the ensemble, however state-of-the-art ML forecast models for medium-range weather are largely trained to produce deterministic forecasts which minimise mean-squared-error. Despite improving skills scores, they lack physical consistency, a limitation that grows at longer lead times and impacts their ability to characterize the joint distribution. We introduce GenCast, a ML-based generative model for ensemble weather forecasting, trained from reanalysis data. It forecasts ensembles of trajectories for 84 weather variables, for up to 15 days at 1 degree resolution globally, taking around a minute per ensemble member on a single Cloud TPU v4 device. We show that GenCast is more skillful than ENS, a top operational ensemble forecast, for more than 96\% of all 1320 verification targets on CRPS and Ensemble-Mean RMSE, while maintaining good reliability and physically consistent power spectra. Together our results demonstrate that ML-based probabilistic weather forecasting can now outperform traditional ensemble systems at 1 degree, opening new doors to skillful, fast weather forecasts that are useful in key applications.
• Abstract（参考訳）: 洪水予報やエネルギーシステム計画、交通経路など、重要な費用対効果のトレードオフや緩和策を導く上では、予測の不確実性(極端な事象の確率を含む)の定量化が不可欠である。 従来の確率論的アプローチは、時空間的に一貫性のある気象軌道上の共同分布からサンプリングされる物理モデルからアンサンブルを生成するが、実行には高価である。 効率的な代替手段は、機械学習(ML)予測モデルを使用してアンサンブルを生成することであるが、中距離気象に対する最先端のML予測モデルは、平均二乗誤差を最小化する決定論的予測を生成するために主に訓練されている。 スキルスコアは向上しているが、物理的な一貫性が欠如しており、リードタイムが長くなり、ジョイント分布を特徴付ける能力に影響を及ぼす。 我々は、再分析データから学習した、アンサンブル天気予報のためのMLベースの生成モデルGenCastを紹介する。 1つのクラウドtpu v4デバイス上のアンサンブルメンバー1分あたり約1分で、世界中に1度解像度で最大15日間、84の気象変数の軌道のアンサンブルを予測できる。 GenCastは,CRPSおよびEnsemble-Mean RMSE上の1320の検証対象のうち,96%以上において,高い信頼性と物理的に一貫したパワースペクトルを維持しつつ,最上位のアンサンブル予測であるENSよりも熟練していることを示す。 この結果から,MLに基づく確率的天気予報が従来のアンサンブルシステムよりも1度向上し,重要な応用に有用な,高度で高速な天気予報に新たな扉を開くことができた。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Super Resolution On Global Weather Forecasts [0.1747623282473278]
  グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。 具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
  論文  参考訳（メタデータ） (2024-09-17T19:07:13Z)
• CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification [25.325450602084484]
  CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。 80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• 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: 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)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• 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。