論文の概要: DiffDA: a Diffusion model for weather-scale Data Assimilation
- arxiv url: http://arxiv.org/abs/2401.05932v2
- Date: Tue, 5 Mar 2024 16:48:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 01:01:06.273836
- Title: DiffDA: a Diffusion model for weather-scale Data Assimilation
- Title(参考訳): DiffDA:気象スケール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,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。
- 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 weather forecasting and climate modeling. We propose DiffDA as a
denoising diffusion model capable of assimilating atmospheric variables using
predicted states and sparse observations. Acknowledging the similarity between
a weather forecast model and a denoising diffusion model dedicated to weather
applications, we adapt the pretrained GraphCast neural network as the backbone
of the diffusion model. Through experiments based on simulated observations
from the ERA5 reanalysis dataset, our method can produce assimilated global
atmospheric data consistent with observations at 0.25 deg (~30km) resolution
globally. This marks the highest resolution achieved by ML data assimilation
models. The experiments also show that the initial conditions assimilated from
sparse observations (less than 0.77% of gridded data) and 48-hour forecast can
be used for forecast models with a loss of lead time of at most 24 hours
compared to initial conditions from state-of-the-art data assimilation in ERA5.
This enables the application of the method to real-world applications, such as
creating 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、気象予報と気候モデリングに不可欠である。
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。
ERA5リアナリシスデータセットからのシミュレーション観測に基づく実験により,地球規模の0.25 deg (~30 km) の観測と一致した同化大気データを生成することができる。
これはMLデータ同化モデルによって達成された最高解像度である。
実験の結果, 偏差観測(格子状データの0.77%未満)と48時間予測から得られた初期条件は, ERA5の最先端データ同化による初期条件と比較して, 平均24時間以上のリードタイムが失われる予測モデルに利用できることがわかった。
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、実際のアプリケーションへのメソッドの適用が可能になる。
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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - 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。