論文の概要: Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model

• arxiv url: http://arxiv.org/abs/2409.20087v2
• Date: Tue, 25 Feb 2025 20:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:52:59.240697
• Title: Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model
• Title（参考訳）: 対流-通気シミュレーションの鉛直プロファイルから雷雨の発生を推定する:物理深層学習モデルによる物理的考察
• Authors: Kianusch Vahid Yousefnia, Christoph Metzl, Tobias Bölle,
• Abstract要約: 雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。 対流を許容するNWP予測のモデルをトレーニングすることにより,SALAMA 1Dがフレキシブルな対流パターンを識別し,予測精度を向上させることを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Thunderstorms have significant social and economic impacts due to heavy precipitation, hail, lightning, and strong winds, necessitating reliable forecasts. Thunderstorm forecasts based on numerical weather prediction (NWP) often rely on single-level surrogate predictors, like convective available potential energy and convective inhibition, derived from vertical profiles of three-dimensional atmospheric variables. In this study, we develop SALAMA 1D, a deep neural network which directly infers the probability of thunderstorm occurrence from vertical profiles of ten atmospheric variables, bypassing single-level predictors. By training the model on convection-permitting NWP forecasts, we allow SALAMA 1D to flexibly identify convective patterns, with the goal of enhancing forecast accuracy. The model's architecture is physically motivated: sparse connections encourage interactions at similar height levels while keeping model size and inference times computationally efficient, whereas a shuffling mechanism prevents the model from learning non-physical patterns tied to the vertical grid. SALAMA 1D is trained over Central Europe with lightning observations as the ground truth. Comparative analysis against a baseline machine learning model that uses single-level predictors shows SALAMA 1D's superior skill across various metrics and lead times of up to at least 11 hours. Moreover, expanding the archive of forecasts from which training examples are sampled improves skill, even when training set size remains constant. Finally, a sensitivity analysis using saliency maps indicates that our model relies on physically interpretable patterns consistent with established theoretical understanding, primarily focusing on convection initiation and refining its skill by checking for ongoing convection in the NWP model.
• Abstract（参考訳）: 雷雨は降水量、干ばつ、雷、強風などによって社会や経済に大きな影響を与え、信頼できる予測を必要としている。 数値気象予測(NWP)に基づく雷雨予測は、しばしば3次元大気変数の垂直プロファイルから導かれる対流可能なポテンシャルエネルギーや対流的な抑制のような単一レベルの代理予測に頼っている。 本研究では,10の大気変数の垂直分布から雷雨の発生確率を直接推定し,単層予測器をバイパスする深層ニューラルネットワークSALAMA 1Dを開発した。 対流を許容するNWP予測のモデルをトレーニングすることにより,SALAMA 1Dが対流パターンを柔軟に識別し,予測精度を向上させることを目的とする。 スパース接続はモデルサイズと推論時間を計算的に効率よく保ちながら、同様の高さレベルでの相互作用を促進するが、シャッフル機構は、モデルが垂直格子に結びついている非物理的パターンを学習するのを防ぐ。 SALAMA 1Dは、中央ヨーロッパで雷観測を基礎として訓練されている。 単一レベルの予測器を使用するベースライン機械学習モデルとの比較分析は、SALAMA 1Dのさまざまなメトリクスと、最大11時間までのリードタイムに優れたスキルを示している。 さらに、トレーニングセットのサイズが一定であっても、トレーニングサンプルをサンプリングした予測のアーカイブを拡張することで、スキルが向上する。 最後に,サリエンシマップを用いた感度解析により,NWPモデルにおいて進行中の対流をチェックすることにより,対流開始と技術改善に重点を置いて,確立された理論的理解と整合した物理的解釈可能なパターンに依存していることを示す。

関連論文リスト

• Increasing NWP Thunderstorm Predictability Using Ensemble Data and Machine Learning [0.0]
  我々は,NWPデータと機械学習(ML)のアンサンブルによって,雷雨予報のスキルが向上することを示す。 11時間のアンサンブル予測は、5時間の決定論的予測のスキルレベルと一致する。 SALAMA 1DのようなMLモデルは、長いリードタイムの間予測可能な雷雨の発生パターンを特定することができる。
  論文  参考訳（メタデータ） (2025-02-18T22:18:43Z)
• Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
  SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。 極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。 実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T05:56:09Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• 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)
• 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)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• A machine-learning approach to thunderstorm forecasting through post-processing of simulation data [0.0]
  雷雨は社会や経済に危険をもたらし、信頼できる雷雨予報を要求する。 本研究では,数値天気予報(NWP)データから雷雨の発生を識別するフィードフォワードニューラルネットワークモデルである,SALAMA(Machine Central Learning)を用いた行動同定のための署名ベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:21:15Z)
• 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。