Fugu-MT 論文翻訳(概要): CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification

論文の概要: CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification

arxiv url: http://arxiv.org/abs/2409.05975v2
Date: Thu, 26 Sep 2024 20:29:16 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 22:27:40.731258
Title: CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification
Title（参考訳）: CoDiCast:不確かさ定量化による気象予測のための条件拡散モデル
Authors: Jimeng Shi, Bowen Jin, Jiawei Han, Giri Narasimhan,
Abstract要約: CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。 80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
参考スコア（独自算出の注目度）: 25.325450602084484
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate weather forecasting is critical for science and society. Yet, existing methods have not managed to simultaneously have the properties of high accuracy, low uncertainty, and high computational efficiency. On one hand, to quantify the uncertainty in weather predictions, the strategy of ensemble forecast (i.e., generating a set of diverse predictions) is often employed. However, traditional ensemble numerical weather prediction (NWP) is computationally intensive. On the other hand, most existing machine learning-based weather prediction (MLWP) approaches are efficient and accurate. Nevertheless, they are deterministic and cannot capture the uncertainty of weather forecasting. In this work, we propose CoDiCast, a conditional diffusion model to generate accurate global weather prediction, while achieving uncertainty quantification with ensemble forecasts and modest computational cost. The key idea is to simulate a conditional version of the reverse denoising process in diffusion models, which starts from pure Gaussian noise to generate realistic weather scenarios for a future time point. Each denoising step is conditioned on observations from the recent past. Ensemble forecasts are achieved by repeatedly sampling from stochastic Gaussian noise to represent uncertainty quantification. CoDiCast is trained on a decade of ERA5 reanalysis data from the European Centre for Medium-Range Weather Forecasts (ECMWF). Experimental results demonstrate that our approach outperforms several existing data-driven methods in accuracy. Our conditional diffusion model, CoDiCast, can generate 3-day global weather forecasts, at 6-hour steps and $5.625^\circ$ latitude-longitude resolution, for over 5 variables, in about 12 minutes on a commodity A100 GPU machine with 80GB memory. The open-souced code is provided at \url{https://github.com/JimengShi/CoDiCast}.
Abstract（参考訳）: 正確な天気予報は科学と社会にとって重要である。しかし、既存の手法は、高い精度、低い不確実性、高い計算効率を同時に持つことができていない。一方,天気予報の不確かさを定量化するために,アンサンブル予測(多種多様な予測を生成する)の戦略がよく用いられる。しかし、従来のアンサンブル数値天気予報(NWP)は計算集約的である。一方、既存の機械学習ベースの天気予報(MLWP)アプローチは効率的で正確である。それでも、それらは決定論的であり、天気予報の不確実性を捉えることはできない。本研究では,正確なグローバル気象予報を生成するための条件拡散モデルであるCoDiCastを提案する。鍵となるアイデアは、拡散モデルにおける逆偏極過程の条件付きバージョンをシミュレートすることであり、これは純粋なガウスノイズから始まり、将来の時点の現実的な天気シナリオを生成する。各認知ステップは、近年の観測に基づいて条件付けされる。アンサンブル予測は確率ガウス雑音からの繰り返しサンプリングによって達成され、不確かさの定量化を表す。 CoDiCastは欧州中距離気象予報センター(ECMWF)から10年間のERA5の再分析データに基づいて訓練されている。実験の結果,提案手法は既存のデータ駆動手法よりも精度が高いことがわかった。条件拡散モデルであるCoDiCastは、80GBメモリのコモディティA100 GPUマシンで、約12分で6時間ステップで5.625^\circ$°Cの3日間の天気予報を生成できる。公開コードは \url{https://github.com/JimengShi/CoDiCast} で提供されている。

関連論文リスト

Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet [10.773673764125439]
本稿では,部分的・雑音的な観測を補足した機械学習サロゲートを用いたオンライン天気予報について検討する。我々は、サロゲートの長期間の不安定さにもかかわらず、フィルタリング推定が長期間の地平線で正確であることを実証的に証明し、理論的に正当化する。
論文参考訳（メタデータ） (2024-05-21T20:06:12Z)
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)
A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文参考訳（メタデータ） (2024-01-27T05:53:16Z)
Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文参考訳（メタデータ） (2023-08-13T09:51:16Z)
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)
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。