論文の概要: Can AI weather models predict out-of-distribution gray swan tropical cyclones?
- arxiv url: http://arxiv.org/abs/2410.14932v1
- Date: Sat, 19 Oct 2024 01:36:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:16:22.323428
- Title: Can AI weather models predict out-of-distribution gray swan tropical cyclones?
- Title(参考訳): AI気象モデルは分布外の白鳥熱帯性サイクロンを予測することができるか?
- Authors: Y. Qiang Sun, Pedram Hassanzadeh, Mohsen Zand, Ashesh Chattopadhyay, Jonathan Weare, Dorian S. Abbot,
- Abstract要約: 1979-2015 ERA5データセットで、すべてのデータで、AIモデルのFourCastNetの独立したバージョンをトレーニングします。
2018-2023 Category 5 TCs (gray swans) でこれらのバージョンの FourCastNet をテストする。
すべてのバージョンは、地球規模の気象に類似した精度をもたらすが、カテゴリー3-5 TCsなしで訓練されたモデルでは、カテゴリー5 TCsを正確に予測することはできない。
Category 3-5 TCなしで訓練されたバージョンは、その流域でカテゴリ5 TCを予測するスキルを示しており、FourCastNetが一般化可能であることを示唆している。
- 参考スコア(独自算出の注目度): 1.7724699133465045
- License:
- Abstract: Predicting gray swan weather extremes, which are possible but so rare that they are absent from the training dataset, is a major concern for AI weather/climate models. An important open question is whether AI models can extrapolate from weaker weather events present in the training set to stronger, unseen weather extremes. To test this, we train independent versions of the AI model FourCastNet on the 1979-2015 ERA5 dataset with all data, or with Category 3-5 tropical cyclones (TCs) removed, either globally or only over the North Atlantic or Western Pacific basin. We then test these versions of FourCastNet on 2018-2023 Category 5 TCs (gray swans). All versions yield similar accuracy for global weather, but the one trained without Category 3-5 TCs cannot accurately forecast Category 5 TCs, indicating that these models cannot extrapolate from weaker storms. The versions trained without Category 3-5 TCs in one basin show some skill forecasting Category 5 TCs in that basin, suggesting that FourCastNet can generalize across tropical basins. This is encouraging and surprising because regional information is implicitly encoded in inputs. No version satisfies gradient-wind balance, implying that enforcing such physical constraints may not improve generalizability to gray swans. Given that current state-of-the-art AI weather/climate models have similar learning strategies, we expect our findings to apply to other models and extreme events. Our work demonstrates that novel learning strategies are needed for AI weather/climate models to provide early warning or estimated statistics for the rarest, most impactful weather extremes.
- Abstract(参考訳): トレーニングデータセットを欠いているほどに稀な、灰色の白鳥の天気極度の予測は、AIの天気/気候モデルにとって大きな関心事である。
重要なオープンな疑問は、トレーニングセットに存在する弱い天気イベントから、より強く、目に見えない天候極端まで、AIモデルが外挿できるかどうかである。
これをテストするために、1979-2015年のERA5データセットでAIモデルのFourCastNetの独立したバージョンをトレーニングします。
次に、2018-2023 Category 5 TCs (gray swans)でこれらのバージョンのFourCastNetをテストする。
すべてのバージョンは、地球規模の気象に類似した精度をもたらすが、カテゴリー3-5 TCsなしで訓練されたモデルでは、カテゴリー5 TCsを正確に予測することはできず、これらのモデルが弱い嵐から外挿できないことを示している。
カテゴリー3-5TCなしで訓練されたバージョンは、その盆地でカテゴリー5TCを予測できる技術を示しており、FourCastNetは熱帯盆地をまたいで一般化することができることを示唆している。
地域情報は暗黙的に入力にエンコードされているので、これは励ましく驚きます。
勾配-風のバランスを満足するバージョンはなく、そのような物理的制約を強制してもグレースワンの一般化性は向上しないことを意味する。
現在の最先端のAI天気/気候モデルに類似した学習戦略があることを考えると、私たちの発見は他のモデルや極端なイベントにも適用できると期待しています。
我々の研究は、AI気象/気候モデルに新しい学習戦略が必要とされることを示し、最も稀で最も影響の大きい気象の早期警告や推定統計を提供する。
関連論文リスト
- 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,天気予報をより微細なテンポラル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。
我々は、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を導入する。
論文 参考訳(メタデータ) (2024-05-22T16:21:02Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Do AI models produce better weather forecasts than physics-based models?
A quantitative evaluation case study of Storm Ciar\'an [1.8538616230195128]
ストーム・シアラン(Storm Ciar'an)は、ヨーロッパ北部で16人が死亡し、大きな被害を受けた暴風雨である。
機械学習と数値天気予報モデルによるストームシアンの予測を比較した。
本研究は,機械学習の天気予報の性能と特性について検討した。
論文 参考訳(メタデータ) (2023-12-05T10:52:33Z) - 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) - 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 Framework for Flexible Peak Storm Surge Prediction [2.362412515574206]
暴風雨は沿岸地域では大きな自然災害であり、大きな被害と生命の喪失の原因となっている。
我々は,多段階アプローチに基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。
我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
論文 参考訳(メタデータ) (2022-04-27T20:02:25Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z) - 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。