論文の概要: An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting
- arxiv url: http://arxiv.org/abs/2403.15598v1
- Date: Fri, 22 Mar 2024 20:01:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 21:51:43.662033
- Title: An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting
- Title(参考訳): データ駆動型気象予報モデルのサブシーズン予測のためのアンサンブル
- Authors: Jonathan A. Weyn, Divya Kumar, Jeremy Berman, Najeeb Kazmi, Sylwester Klocek, Pete Luferenko, Kit Thambiratnam,
- Abstract要約: 運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
- 参考スコア(独自算出の注目度): 0.08106028186803123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an operations-ready multi-model ensemble weather forecasting system which uses hybrid data-driven weather prediction models coupled with the European Centre for Medium-range Weather Forecasts (ECMWF) ocean model to predict global weather at 1-degree resolution for 4 weeks of lead time. For predictions of 2-meter temperature, our ensemble on average outperforms the raw ECMWF extended-range ensemble by 4-17%, depending on the lead time. However, after applying statistical bias corrections, the ECMWF ensemble is about 3% better at 4 weeks. For other surface parameters, our ensemble is also within a few percentage points of ECMWF's ensemble. We demonstrate that it is possible to achieve near-state-of-the-art subseasonal-to-seasonal forecasts using a multi-model ensembling approach with data-driven weather prediction models.
- Abstract(参考訳): 本研究では,欧州中距離気象予報センター(ECMWF)海洋モデルと組み合わさったハイブリッドデータ駆動型気象予報モデルを用いて,世界の天気を4週間のリードタイムで1度の解像度で予測する,運用対応型マルチモデル天気予報システムを提案する。
温度2mの予測では, リード時間に応じて, 平均的なECMWF延長域のアンサンブルを4-17%上回った。
しかし、統計バイアス補正を適用すると、ECMWFアンサンブルは4週間で約3%改善する。
その他の表面パラメータに関しても、我々のアンサンブルはECMWFのアンサンブルの数ポイント以内である。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法を用いて、最先端のサブシーズン・シーズン・シーズン予測を実現することが可能であることを実証した。
関連論文リスト
- FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [14.078473399001348]
FuXi-ENSは6時間のグローバルアンサンブル天気予報を最大15日間配信するために設計された高度な機械学習モデルである。
空間分解能は0.25degと大幅に改善され、13の圧力レベルに5つの上層大気変数と13の地表変数が組み込まれている。
FuXi-ENSは欧州中距離気象予報センターのアンサンブル予測を上回っている。
論文 参考訳(メタデータ) (2024-05-09T17:15:09Z) - 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) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - 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) - W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting [7.610811907813171]
天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
論文 参考訳(メタデータ) (2023-04-18T06:25:11Z) - Beyond Ensemble Averages: Leveraging Climate Model Ensembles for
Subseasonal Forecasting [10.25541454330214]
本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。
月平均降水量と2m温度を予測するため,様々なML手法にラベル付き数値アンサンブル予測と観測データを組み込んだ。
論文 参考訳(メタデータ) (2022-11-29T01:11:04Z) - 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)
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。