論文の概要: Modulated Adaptive Fourier Neural Operators for Temporal Interpolation of Weather Forecasts

• arxiv url: http://arxiv.org/abs/2410.18904v1
• Date: Thu, 24 Oct 2024 16:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:48:55.042072
• Title: Modulated Adaptive Fourier Neural Operators for Temporal Interpolation of Weather Forecasts
• Title（参考訳）: 気象予報の時間補間のための適応フーリエニューラル演算子
• Authors: Jussi Leinonen, Boris Bonev, Thorsten Kurth, Yair Cohen,
• Abstract要約: 本研究では,その状態が分かっている時点での2点間の大気状態を再構成するモデルを提案する。 また,6時間以上の分解能データよりも,極端な気象事象の統計を再現できることを示す。
• 参考スコア（独自算出の注目度）: 1.4826656824324267
• License:
• Abstract: Weather and climate data are often available at limited temporal resolution, either due to storage limitations, or in the case of weather forecast models based on deep learning, their inherently long time steps. The coarse temporal resolution makes it difficult to capture rapidly evolving weather events. To address this limitation, we introduce an interpolation model that reconstructs the atmospheric state between two points in time for which the state is known. The model makes use of a novel network layer that modifies the adaptive Fourier neural operator (AFNO), which has been previously used in weather prediction and other applications of machine learning to physics problems. The modulated AFNO (ModAFNO) layer takes an embedding, here computed from the interpolation target time, as an additional input and applies a learned shift-scale operation inside the AFNO layers to adapt them to the target time. Thus, one model can be used to produce all intermediate time steps. Trained to interpolate between two time steps 6 h apart, the ModAFNO-based interpolation model produces 1 h resolution intermediate time steps that are visually nearly indistinguishable from the actual corresponding 1 h resolution data. The model reduces the RMSE loss of reconstructing the intermediate steps by approximately 50% compared to linear interpolation. We also demonstrate its ability to reproduce the statistics of extreme weather events such as hurricanes and heat waves better than 6 h resolution data. The ModAFNO layer is generic and is expected to be applicable to other problems, including weather forecasting with tunable lead time.
• Abstract（参考訳）: 気象と気候のデータは、記憶の制限によって、またはディープラーニングに基づく天気予報モデルの場合、時間的解像度が限られている場合が多い。 粗い時間分解能は、急速に進化する気象事象を捉えるのを難しくする。 この制限に対処するために、状態が知られている2つの点の間で大気状態を再構成する補間モデルを導入する。 このモデルでは、気象予報やその他の機械学習の物理問題への応用にこれまで用いられてきた適応型フーリエニューラル演算子(AFNO)を修飾する新しいネットワーク層を利用する。 変調されたAFNO(ModAFNO)層は、補間対象時間から計算された埋め込みを付加入力として取り、AFNO層の内部に学習されたシフトスケール演算を適用して目標時間に適応させる。 したがって、1つのモデルで全ての中間時間ステップを生成できる。 ModAFNOベースの補間モデルは、2つの時間ステップ間を6時間間隔で補間するように訓練され、実際の対応する1h解像度データと視覚的にほぼ区別できない1h解像度中間時間ステップを生成する。 このモデルは、線形補間と比較して、中間ステップを再構築するRMSE損失を約50%削減する。 また、ハリケーンや熱波などの極端な気象事象の統計を6時間以上の解像度で再現する能力を示した。 ModAFNO層は汎用的で、調整可能なリードタイムによる天気予報など他の問題にも適用できると期待されている。

関連論文リスト

• Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
  天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。 波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。 気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-09T05:41:24Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Continual Domain Adaptation on Aerial Images under Gradually Degrading Weather [1.8130068086063336]
  ドメイン適応(DA)は、モデルをトレーニングするソースドメインと、モデルをデプロイするターゲットドメインとの間のドメインギャップを軽減するために努力します。 既存の2つの航空画像データセットから、実際の画像上で徐々に悪化する2つの気象条件を合成する。 ベースライン標準DAモデルと2つの連続DAモデルという3つのDAモデルをデータセット上で評価する。
  論文  参考訳（メタデータ） (2023-08-02T03:47:19Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere [7.918783985810551]
  深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。 このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。 我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
  論文  参考訳（メタデータ） (2020-03-15T19:57:34Z)

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。