論文の概要: A Practical Probabilistic Benchmark for AI Weather Models
- arxiv url: http://arxiv.org/abs/2401.15305v1
- Date: Sat, 27 Jan 2024 05:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 18:47:48.529900
- Title: A Practical Probabilistic Benchmark for AI Weather Models
- Title(参考訳): AI気象モデルのための実践的確率的ベンチマーク
- Authors: Noah D. Brenowitz and Yair Cohen and Jaideep Pathak and Ankur Mahesh
and Boris Bonev and Thorsten Kurth and Dale R. Durran and Peter Harrington
and Michael S. Pritchard
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.8278356279004184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the weather is chaotic, forecasts aim to predict the distribution of
future states rather than make a single prediction. Recently, multiple data
driven weather models have emerged claiming breakthroughs in skill. However,
these have mostly been benchmarked using deterministic skill scores, and little
is known about their probabilistic skill. Unfortunately, it is hard to fairly
compare AI weather models in a probabilistic sense, since variations in choice
of ensemble initialization, definition of state, and noise injection
methodology become confounding. Moreover, even obtaining ensemble forecast
baselines is a substantial engineering challenge given the data volumes
involved. We sidestep both problems by applying a decades-old idea -- lagged
ensembles -- whereby an ensemble can be constructed from a moderately-sized
library of deterministic forecasts. This allows the first parameter-free
intercomparison of leading AI weather models' probabilistic skill against an
operational baseline. The results reveal that two leading AI weather models,
i.e. GraphCast and Pangu, are tied on the probabilistic CRPS metric even though
the former outperforms the latter in deterministic scoring. We also reveal how
multiple time-step loss functions, which many data-driven weather models have
employed, are counter-productive: they improve deterministic metrics at the
cost of increased dissipation, deteriorating probabilistic skill. This is
confirmed through ablations applied to a spherical Fourier Neural Operator
(SFNO) approach to AI weather forecasting. Separate SFNO ablations modulating
effective resolution reveal it has a useful effect on ensemble dispersion
relevant to achieving good ensemble calibration. We hope these and forthcoming
insights from lagged ensembles can help guide the development of AI weather
forecasts and have thus shared the diagnostic code.
- Abstract(参考訳): 天気はカオスであるため、予測は単一の予測ではなく、将来の状態の分布を予測することを目的としている。
最近、複数のデータ駆動気象モデルがスキルのブレークスルーを主張している。
しかし、これらは主に決定論的スキルスコアを用いてベンチマークされており、その確率的スキルについてはほとんど知られていない。
残念ながら、アンサンブル初期化の選択、状態の定義、ノイズ注入方法論のバリエーションが一体化しているため、aiの気象モデルを確率的に比較することは難しい。
さらに、関連するデータ量を考えると、アンサンブル予測ベースラインを取得することさえ、かなりのエンジニアリング上の課題である。
我々は、何十年も前からあるアイデア、ラッジ・アンサンブル(Lagged ensembles)を適用して、両方の問題を横取りし、中程度のサイズの決定論的予測ライブラリからアンサンブルを構築することができる。
これにより、AI天気モデルの運用ベースラインに対する確率的スキルの最初のパラメータフリー比較が可能になる。
その結果、前者が決定論的スコアで後者を上回っているにもかかわらず、主要な2つのAI天気モデル、すなわちGraphCastとPanguが確率論的CRPSメトリクスに結びついていることが判明した。
また、多くのデータ駆動型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ている。
これは、AI天気予報に対する球状フーリエニューラル演算子(SFNO)アプローチの適用により確認される。
有効解像度を変調する別々のsfnoアブレーションは、適切なアンサンブルキャリブレーションの達成に関連するアンサンブル分散に有用な効果を示す。
タグ付けされたアンサンブルからのこれらと今後の洞察が、AI天気予報の開発をガイドし、診断コードを共有できることを願っている。
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) - Towards an end-to-end artificial intelligence driven global weather
forecasting system [56.58654971803005]
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。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - Generative ensemble deep learning severe weather prediction from a
deterministic convection-allowing model [0.0]
コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。
CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。
この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
論文 参考訳(メタデータ) (2023-10-09T18:02:11Z) - 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) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳(メタデータ) (2023-07-04T16:45:21Z) - 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) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z) - 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) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。