Fugu-MT 論文翻訳(概要): FuXi Weather: An end-to-end machine learning weather data assimilation and forecasting system

論文の概要: FuXi Weather: An end-to-end machine learning weather data assimilation and forecasting system

arxiv url: http://arxiv.org/abs/2408.05472v1
Date: Sat, 10 Aug 2024 07:42:01 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 18:51:22.704323
Title: FuXi Weather: An end-to-end machine learning weather data assimilation and forecasting system
Title（参考訳）: FuXi Weather: エンド・ツー・エンドの機械学習気象データ同化と予測システム
Authors: Xiuyu Sun, Xiaohui Zhong, Xiaoze Xu, Yuanqing Huang, Hao Li, Jie Feng, Wei Han, Libo Wu, Yuan Qi,
Abstract要約: 本稿では,エンド・ツー・エンドの機械学習による天気予報システムであるFuXi Weatherを紹介する。 FuXi Weatherは、様々な情報源の情報を統合するために、特別なデータ前処理とマルチモーダルデータ融合技術を採用している。安定で正確な10日間の世界的な天気予報を、空間解像度0.25textで独自に生成する。
参考スコア（独自算出の注目度）: 13.824417759272785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Operational numerical weather prediction systems consist of three fundamental components: the global observing system for data collection, data assimilation for generating initial conditions, and the forecasting model to predict future weather conditions. While NWP have undergone a quiet revolution, with forecast skills progressively improving over the past few decades, their advancement has slowed due to challenges such as high computational costs and the complexities associated with assimilating an increasing volume of observational data and managing finer spatial grids. Advances in machine learning offer an alternative path towards more efficient and accurate weather forecasts. The rise of machine learning based weather forecasting models has also spurred the development of machine learning based DA models or even purely machine learning based weather forecasting systems. This paper introduces FuXi Weather, an end-to-end machine learning based weather forecasting system. FuXi Weather employs specialized data preprocessing and multi-modal data fusion techniques to integrate information from diverse sources under all-sky conditions, including microwave sounders from 3 polar-orbiting satellites and radio occultation data from Global Navigation Satellite System. Operating on a 6-hourly DA and forecasting cycle, FuXi Weather independently generates robust and accurate 10-day global weather forecasts at a spatial resolution of 0.25\textdegree. It surpasses the European Centre for Medium-range Weather Forecasts high-resolution forecasts in terms of predictability, extending the skillful forecast lead times for several key weather variables such as the geopotential height at 500 hPa from 9.25 days to 9.5 days. The system's high computational efficiency and robust performance, even with limited observations, demonstrates its potential as a promising alternative to traditional NWP systems.
Abstract（参考訳）: データ収集のためのグローバル観測システム、初期状態を生成するデータ同化システム、将来の気象予報モデルである。 NWPは静かな革命を経験し、過去数十年で予測スキルが徐々に向上してきたが、高い計算コストや観測データの増加とより微細な空間グリッドの管理に伴う複雑さといった課題により、その進歩は鈍化している。機械学習の進歩は、より効率的で正確な天気予報への代替手段を提供する。機械学習ベースの天気予報モデルの台頭は、機械学習ベースのDAモデルや、純粋に機械学習ベースの天気予報システムの開発にも拍車をかけた。本稿では,エンド・ツー・エンドの機械学習による天気予報システムであるFuXi Weatherを紹介する。 FuXi Weatherは、特殊なデータ前処理とマルチモーダルデータ融合技術を使用して、全天的な条件下で様々なソースからの情報を統合する。 6時間DAと予測サイクルで運用されているFuXi Weatherは、空間解像度0.25度で、独立して、堅牢で正確な10日間の世界天気予報を発生させる。中距離気象予報センター(European Centre for Medium-range Weather Forecasts)の予測を予測可能性の観点から上回り、9.25日から9.5日にかけての500 hPaの地磁気高度など、いくつかの重要な気象変数の予測リードタイムを巧妙に伸ばす。このシステムの高い計算効率と堅牢な性能は、観測が限られていても、従来のNWPシステムに代わる有望な代替手段としての可能性を示している。

関連論文リスト

Super Resolution On Global Weather Forecasts [0.1747623282473278]
グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
論文参考訳（メタデータ） (2024-09-17T19:07:13Z)
Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-22T12:23:26Z)
Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
論文参考訳（メタデータ） (2024-03-30T16:41:24Z)
Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文参考訳（メタデータ） (2024-03-20T10:07:51Z)
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)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
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,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)
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)
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。