論文の概要: Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events

• arxiv url: http://arxiv.org/abs/2404.17652v1
• Date: Fri, 26 Apr 2024 18:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 20:00:20.286098
• Title: Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events
• Title（参考訳）: 最近の高強度極端事象に対する深層学習天気予報モデルの検証
• Authors: Olivier C. Pasche, Jonathan Wider, Zhongwei Zhang, Jakob Zscheischler, Sebastian Engelke,
• Abstract要約: 気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。 我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。 しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
• 参考スコア（独自算出の注目度）: 0.1747623282473278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The forecast accuracy of deep-learning-based weather prediction models is improving rapidly, leading many to speak of a "second revolution in weather forecasting". With numerous methods being developed, and limited physical guarantees offered by deep-learning models, there is a critical need for comprehensive evaluation of these emerging techniques. While this need has been partly fulfilled by benchmark datasets, they provide little information on rare and impactful extreme events, or on compound impact metrics, for which model accuracy might degrade due to misrepresented dependencies between variables. To address these issues, we compare deep-learning weather prediction models (GraphCast, PanguWeather, FourCastNet) and ECMWF's high-resolution forecast (HRES) system in three case studies: the 2021 Pacific Northwest heatwave, the 2023 South Asian humid heatwave, and the North American winter storm in 2021. We find evidence that machine learning (ML) weather prediction models can locally achieve similar accuracy to HRES on record-shattering events such as the 2021 Pacific Northwest heatwave and even forecast the compound 2021 North American winter storm substantially better. However, extrapolating to extreme conditions may impact machine learning models more severely than HRES, as evidenced by the comparable or superior spatially- and temporally-aggregated forecast accuracy of HRES for the two heatwaves studied. The ML forecasts also lack variables required to assess the health risks of events such as the 2023 South Asian humid heatwave. Generally, case-study-driven, impact-centric evaluation can complement existing research, increase public trust, and aid in developing reliable ML weather prediction models.
• Abstract（参考訳）: 深層学習に基づく天気予報モデルの予測精度は急速に向上しており、多くの人々が「天気予報の第2次革命」と発言している。 多くの手法が開発され、深層学習モデルによって提供される物理的な保証が限られているため、これらの新興技術の包括的な評価が不可欠である。 このニーズはベンチマークデータセットによって部分的に満たされているが、まれで影響の大きい極端なイベントや、変数間の依存関係が誤って表現されているためモデル精度が低下する複合インパクトメトリクスについてはほとんど情報を提供していない。 これらの問題に対処するため、2021年の太平洋太平洋熱波、2023年の南アジア湿潤熱波、2021年の北米冬の嵐の3つのケーススタディにおいて、ディープラーニング天気予報モデル(GraphCast、PanguWeather、FourCastNet)とECMWFの高解像度予報システム(HRES)を比較した。 機械学習(ML)の天気予報モデルが2021年の太平洋岸北西部熱波のような記録破りの出来事において、HRESと同様の精度をローカルに達成できることを示す。 しかし、極端条件への外挿は、2つの熱波に対するHRESの時間的および空間的に比較された予測精度によって証明されるように、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。 ML予測には、2023年の南アジア湿潤熱波のようなイベントの健康リスクを評価するための変数が欠けている。 一般的に、ケーススタディ駆動のインパクト中心の評価は、既存の研究を補完し、公衆信頼を高め、信頼性の高いML天気予報モデルの開発を支援することができる。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
  数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。 本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
  論文  参考訳（メタデータ） (2024-08-29T08:36:22Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• 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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• 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。