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
- 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) - Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - 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) - 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) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2022-06-16T06:13:53Z) - 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) - A framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳(メタデータ) (2020-05-06T16:46:02Z) - Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。
生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。
RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文 参考訳(メタデータ) (2020-01-16T17:13:37Z)
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。