論文の概要: FuXi Weather: A data-to-forecast machine learning system for global weather

• arxiv url: http://arxiv.org/abs/2408.05472v2
• Date: Mon, 18 Nov 2024 10:19:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:41.731987
• Title: FuXi Weather: A data-to-forecast machine learning system for global weather
• Title（参考訳）: FuXi Weather:グローバル気象のためのデータ・ツー・予測機械学習システム
• Authors: Xiuyu Sun, Xiaohui Zhong, Xiaoze Xu, Yuanqing Huang, Hao Li, J. David Neelin, Deliang Chen, Jie Feng, Wei Han, Libo Wu, Yuan Qi,
• Abstract要約: FuXi Weatherは、複数の衛星のデータと類似した機械学習の天気予報システムである。 FuXi 気象は、中央アフリカなどの観測圏において、ECMWF HRES を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 13.052716094161886
• License:
• Abstract: Weather forecasting traditionally relies on numerical weather prediction (NWP) systems that integrates global observational systems, data assimilation (DA), and forecasting models. Despite steady improvements in forecast accuracy over recent decades, further advances are increasingly constrained by high computational costs, the underutilization of vast observational datasets, and the challenges of obtaining finer resolution. These limitations, alongside the uneven distribution of observational networks, result in global disparities in forecast accuracy, leaving some regions vulnerable to extreme weather. Recent advances in machine learning present a promising alternative, providing more efficient and accurate forecasts using the same initial conditions as NWP. However, current machine learning models still depend on the initial conditions generated by NWP systems, which require extensive computational resources and expertise. Here we introduce FuXi Weather, a machine learning weather forecasting system that assimilates data from multiple satellites. Operating on a 6-hourly DA and forecast cycle, FuXi Weather generates reliable and accurate 10-day global weather forecasts at a spatial resolution of $0.25^\circ$. FuXi Weather is the first system to achieve all-grid, all-surface, all-channel, and all-sky DA and forecasting, extending skillful forecast lead times beyond those of the European Centre for Medium-range Weather Forecasts (ECMWF) high-resolution forecasts (HRES) while using significantly fewer observations. FuXi Weather consistently outperforms ECMWF HRES in observation-sparse regions, such as central Africa, demonstrating its potential to improve forecasts where observational infrastructure is limited.
• Abstract（参考訳）: 気象予報は伝統的に、グローバルな観測システム、データ同化(DA)、予測モデルを統合する数値気象予報(NWP)システムに依存している。 近年の予測精度は着実に改善されているが、さらなる進歩は高い計算コスト、膨大な観測データセットの未利用、そしてより微細な解像度を得るという課題によってますます制限されている。 これらの制限は、観測ネットワークの不均一な分布と共に、予測精度のグローバルな格差をもたらし、いくつかの地域は極端な天候に弱いままである。 機械学習の最近の進歩は有望な代替手段であり、NWPと同じ初期条件を用いてより効率的で正確な予測を提供する。 しかし、現在の機械学習モデルは、広範な計算資源と専門知識を必要とするNWPシステムによって生成された初期条件に依存している。 ここでは、複数の衛星からのデータを同化する機械学習天気予報システムFuXi Weatherを紹介する。 6時間DAと予測サイクルで運用するFuXi Weatherは,空間解像度0.25^\circ$で,信頼性と正確な10日間の世界的な天気予報を発生させる。 FuXi Weatherは、ヨーロッパ中距離気象予報センター(ECMWF)の予測よりも優れた予測リードタイムをはるかに少ない観測で達成し、全グリッド、全表面、全流路、全流路のDAと予測を達成した最初のシステムである。 FuXi Weatherは、中央アフリカなどの観測の少ない地域でECMWF HRESを一貫して上回り、観測インフラが限られている予測を改善する可能性を実証している。

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)
• FuXi-2.0: Advancing machine learning weather forecasting model for practical applications [11.50902060124504]
  FuXi-2.0は先進的な機械学習モデルであり、1時間の世界的な天気予報を配信し、気象変数の包括的なセットを含む。 FuXi-2.0は、風力や太陽エネルギー、航空、海運などに関連する重要な気象変数を予測するために、ECMWF HRESを一貫して上回っている。 FuXi-2.0 は大気と海洋の両方を統合しており、大気と海洋を結合したモデルの開発において大きな前進を示している。
  論文  参考訳（メタデータ） (2024-09-11T11:21:00Z)
• 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)
• 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)
• 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)
• 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)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。