論文の概要: DiffDA: a diffusion model for weather-scale data assimilation
- arxiv url: http://arxiv.org/abs/2401.05932v1
- Date: Thu, 11 Jan 2024 14:11:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 14:17:26.771183
- Title: DiffDA: a diffusion model for weather-scale data assimilation
- Title(参考訳): DiffDA:気象データ同化のための拡散モデル
- Authors: Langwen Huang, Lukas Gianinazzi, Yuejiang Yu, Peter D. Dueben, Torsten
Hoefler
- Abstract要約: 本研究では,大気変数を同化可能な機械学習に基づくデータ同化手法としてDiffDAを提案する。
我々は,事前学習したGraphCast天気予報モデルをデノナイズ拡散モデルとして適用する。
本手法は, トレーニングと推論の双方における予測状態と, 推論のみにおけるスパース観測の2段階条件を適用した。
- 参考スコア(独自算出の注目度): 20.745067811425173
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The generation of initial conditions via accurate data assimilation is
crucial for reliable weather forecasting and climate modeling. We propose the
DiffDA as a machine learning based data assimilation method capable of
assimilating atmospheric variables using predicted states and sparse
observations. We adapt the pretrained GraphCast weather forecast model as a
denoising diffusion model. Our method applies two-phase conditioning: on the
predicted state during both training and inference, and on sparse observations
during inference only. As a byproduct, this strategy also enables the
post-processing of predictions into the future, for which no observations are
available.Through experiments based on a reanalysis dataset, we have verified
that our method can produce assimilated global atmospheric data consistent with
observations at 0.25degree resolution. The experiments also show that the
initial conditions that are generated via our approach can be used for forecast
models with a loss of lead time of at most 24 hours when compared to initial
conditions of state-of-the-art data assimilation suites. This enables to apply
the method to real world applications such as the creation of reanalysis
datasets with autoregressive data assimilation.
- Abstract(参考訳): 正確なデータ同化による初期条件の生成は、信頼できる気象予報と気候モデリングに不可欠である。
予測状態とスパース観測を用いて大気変数を同化できる機械学習に基づくデータ同化手法としてDiffDAを提案する。
我々は,事前学習したグラフキャスト気象予報モデルを音波拡散モデルとして適用する。
本手法は,トレーニングと推論の両方の予測状態と,推論のみのスパース観測について,二相コンディショニングを適用する。
副産物として, この手法は, 観測結果が得られない将来予測のポストプロセッシングも可能であり, 再解析データセットに基づく実験により, この手法が0.25度での観測と整合した大域大気データを生成することができることを確認した。
また,本手法を用いて生成した初期条件を,最先端データ同化スイートの初期条件と比較して,リードタイムが少なくとも24時間失われる予測モデルに適用できることを示した。
これにより、自動回帰データ同化による再分析データセットの作成など、現実世界のアプリケーションにこの方法を適用することができる。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)はこの文脈で際立っているのは、深層生成モデルのトレーニングにシミュレーションのデータセットを必要とすることである。
本研究では,複数の観測値が利用可能であり,それらの共有情報を活用してモデルのパラメータをよりよく推測することのできる,背の高いデータ拡張について考察する。
提案手法は,近年盛んに行われているスコアベース拡散文学の成果に基づいて構築され,個々の観測に基づいて学習したスコアネットワークの情報を用いて,高度データ後部分布を推定することができる。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - 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,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) - Data Assimilation using ERA5, ASOS, and the U-STN model for Weather
Forecasting over the UK [3.7601811445702222]
我々は、イギリスのローカルERA5 850 hPa温度データを活用し、U-STN12グローバル気象予報モデルを精査した。
ASOSネットワークから、イギリス全土の地上観測を表現したT2mデータを抽出した。
我々の知見は、グローバルな予測モデルが特定の領域に適応できる一方で、DAに大気データを組み込むことで、モデルの精度が著しく向上することを示している。
論文 参考訳(メタデータ) (2024-01-15T11:21:25Z) - 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) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳(メタデータ) (2022-12-14T17:26:35Z) - Long-term stability and generalization of observationally-constrained
stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。
データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。
決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。
本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文 参考訳(メタデータ) (2022-05-09T23:52:37Z) - Forecasting Global Weather with Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワークを用いた気象予報のためのデータ駆動型手法を提案する。
システムは現在の3D大気状態を6時間前に進めることを学び、複数のステップをチェーンして、数日後の未来に進む巧妙な予測を生成する。
論文 参考訳(メタデータ) (2022-02-15T17:02:07Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - 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。