論文の概要: ChaosBench: A Multi-Channel, Physics-Based Benchmark for
Subseasonal-to-Seasonal Climate Prediction
- arxiv url: http://arxiv.org/abs/2402.00712v2
- Date: Fri, 1 Mar 2024 21:53:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 19:55:08.522870
- Title: ChaosBench: A Multi-Channel, Physics-Based Benchmark for
Subseasonal-to-Seasonal Climate Prediction
- Title(参考訳): chaosbench: 季節-季節間気候予測のためのマルチチャネル物理ベースのベンチマーク
- Authors: Juan Nathaniel, Yongquan Qu, Tung Nguyen, Sungduk Yu, Julius Busecke,
Aditya Grover, Pierre Gentine
- Abstract要約: ChaosBenchは、S2S(Subseasonal-to-seasonal)予測のための大規模でマルチチャネルな物理ベースのベンチマークである。
ChaosBenchには460Kフレームの現実世界の観測とシミュレーションがあり、それぞれが60の可変チャネルを持ち、最大45年間をカバーしている。
複雑度が異なる2つのタスク、フルとスパースなダイナミクス予測を確立します。
- 参考スコア(独自算出の注目度): 24.23266726649901
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate prediction of climate in the subseasonal-to-seasonal scale is
crucial for disaster readiness, reduced economic risk, and improved
policy-making amidst climate change. Yet, S2S prediction remains challenging
due to the chaotic nature of such system. At present, existing benchmarks for
weather and climate applications, tend to (1) have shorter forecasting range of
up-to 14 days, (2) do not include a wide range of operational baseline
forecasts, and (3) lack physics-based constraints for explainability. Thus, we
propose ChaosBench, a large-scale, multi-channel, physics-based benchmark for
S2S prediction. ChaosBench has over 460K frames of real-world observations and
simulations, each with 60 variable-channels and spanning for up-to 45 years. We
also propose several physics-based, in addition to vision-based metrics, that
enables for a more physically-consistent model. Furthermore, we include a
diverse set of physics-based forecasts from 4 national weather agencies as
baselines to our data-driven counterpart. We establish two tasks that vary in
complexity: full and sparse dynamics prediction. Our benchmark is one of the
first to perform large-scale evaluation on existing models including
PanguWeather, FourCastNetV2, GraphCast, and ClimaX, and finds methods
originally developed for weather-scale applications fails on S2S task: they
perform much worse than just simply taking the long-term climatological
averages. We release our benchmark code and datasets at
https://leap-stc.github.io/ChaosBench.
- Abstract(参考訳): 季節-季節スケールの正確な気候予測は、災害の準備、経済リスクの低減、気候変動に伴う政策決定の改善に不可欠である。
しかし,そのようなシステムのカオス性からs2sの予測は依然として困難である。
現在、気象・気候に関する既存のベンチマークでは、(1)予測範囲が最大14日、(2)運用ベースライン予測が広範囲に含まれておらず、(3)説明可能性に関する物理ベースの制約が欠如している傾向にある。
そこで我々は,S2S予測のための大規模マルチチャネル物理ベースのベンチマークChaosBenchを提案する。
chaosbenchには460万フレーム以上の実世界の観測とシミュレーションがあり、それぞれ60の可変チャネルと最大45年のスパンがある。
また、より物理的に一貫性のあるモデルを可能にするビジョンベースのメトリクスに加えて、物理に基づくいくつかのメトリクスを提案する。
さらに,4つの気象庁の物理ベースの予測を,データ駆動型気象庁のベースラインとして多種多様に含む。
複雑性の異なる2つのタスク、フルとスパースダイナミクスの予測を確立します。
私たちのベンチマークは、panguweather、fourcastnetv2、graphcast、climaxなど既存のモデルで大規模評価を行った最初の例の1つで、もともとs2sタスクでは、気象スケールアプリケーション用に開発された手法が失敗することを発見しました。
私たちはベンチマークコードとデータセットをhttps://leap-stc.github.io/chaosbenchでリリースします。
関連論文リスト
- FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts [14.264411727585347]
FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、機械学習に基づくサブシーズン予測モデルである。
FuXi-S2Sは、拡張されたFuXiベースモデルと、隠れた特徴のフロー依存摂動のための摂動モジュールを統合している。
年間平均気温は最大42日で、13の圧力レベルと11の地表変数で5つの上層大気変数をカバーしている。
論文 参考訳(メタデータ) (2023-12-15T16:31:44Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - 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) - Sub-seasonal forecasting with a large ensemble of deep-learning weather
prediction models [6.882042556551611]
深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。
このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。
エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
論文 参考訳(メタデータ) (2021-02-09T20:14:43Z) - 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) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。