Fugu-MT 論文翻訳(概要): Regional data-driven weather modeling with a global stretched-grid

論文の概要: Regional data-driven weather modeling with a global stretched-grid

arxiv url: http://arxiv.org/abs/2409.02891v1
Date: Wed, 4 Sep 2024 17:31:20 GMT
ステータス: 処理完了
システム内更新日: 2024-09-05 16:37:56.174542
Title: Regional data-driven weather modeling with a global stretched-grid
Title（参考訳）: グローバルストレッチグリッドを用いた地域データ駆動気象モデリング
Authors: Thomas Nils Nipen, Håvard Homleid Haugen, Magnus Sikora Ingstad, Even Marius Nordhagen, Aram Farhad Shafiq Salihi, Paulina Tedesco, Ivar Ambjørn Seierstad, Jørn Kristiansen, Simon Lang, Mihai Alexe, Jesper Dramsch, Baudouin Raoult, Gert Mertes, Matthew Chantry,
Abstract要約: このモデルはグラフニューラルネットワークに基づいており、これは自然に任意のマルチレゾリューショングリッド構成を提供する。このモデルは北欧の短距離気象予測に適用され、2.5km、時間分解能は6hと予測される。このモデルは、競争力のある降水量や風速予測も生み出すが、極端な出来事を過小評価している。
参考スコア（独自算出の注目度）: 0.3804109677654105
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: A data-driven model (DDM) suitable for regional weather forecasting applications is presented. The model extends the Artificial Intelligence Forecasting System by introducing a stretched-grid architecture that dedicates higher resolution over a regional area of interest and maintains a lower resolution elsewhere on the globe. The model is based on graph neural networks, which naturally affords arbitrary multi-resolution grid configurations. The model is applied to short-range weather prediction for the Nordics, producing forecasts at 2.5 km spatial and 6 h temporal resolution. The model is pre-trained on 43 years of global ERA5 data at 31 km resolution and is further refined using 3.3 years of 2.5 km resolution operational analyses from the MetCoOp Ensemble Prediction System (MEPS). The performance of the model is evaluated using surface observations from measurement stations across Norway and is compared to short-range weather forecasts from MEPS. The DDM outperforms both the control run and the ensemble mean of MEPS for 2 m temperature. The model also produces competitive precipitation and wind speed forecasts, but is shown to underestimate extreme events.
Abstract（参考訳）: 地域気象予報に適したデータ駆動モデル(DDM)を提案する。このモデルは人工知能予測システムを拡張し、地域の関心領域に高解像度を捧げる拡張グリッドアーキテクチャを導入し、世界の他の地域でも低解像度を維持している。このモデルはグラフニューラルネットワークに基づいており、これは自然に任意のマルチレゾリューショングリッド構成を提供する。このモデルは北欧の短距離気象予測に適用され、2.5km、時間分解能は6hと予測される。このモデルは31km解像度で43年間のグローバルERA5データに基づいて事前訓練され、MetCoOp Ensemble Prediction System (MEPS)から2.5km解像度の3.3年の運用分析を用いてさらに改良されている。本モデルの性能はノルウェーの測候所の表面観測を用いて評価し,MEPSによる短距離気象予報と比較した。 DDMは、制御ランとMEPSのアンサンブル平均の両方を2mの温度で上回る。このモデルは、競争力のある降水量や風速予測も生み出すが、極端な出来事を過小評価している。

関連論文リスト

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。年間平均気温は2メートル(T2m)、海面温度(SST)である。これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
論文参考訳（メタデータ） (2024-08-12T16:22:30Z)
An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
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。
論文参考訳（メタデータ） (2024-03-22T20:01:53Z)
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)
Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文参考訳（メタデータ） (2023-09-11T16:25:48Z)
WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。 WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文参考訳（メタデータ） (2023-02-08T14:50:52Z)
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)
Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文参考訳（メタデータ） (2022-03-23T09:45:12Z)
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。