論文の概要: GraphDOP: Towards skilful data-driven medium-range weather forecasts learnt and initialised directly from observations
- arxiv url: http://arxiv.org/abs/2412.15687v1
- Date: Fri, 20 Dec 2024 09:06:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:19:49.945730
- Title: GraphDOP: Towards skilful data-driven medium-range weather forecasts learnt and initialised directly from observations
- Title(参考訳): GraphDOP: 観測から直接学習・初期化したデータ駆動型中距離気象予報の簡易化に向けて
- Authors: Mihai Alexe, Eulalie Boucher, Peter Lean, Ewan Pinnington, Patrick Laloyaux, Anthony McNally, Simon Lang, Matthew Chantry, Chris Burrows, Marcin Chrust, Florian Pinault, Ethel Villeneuve, Niels Bormann, Sean Healy,
- Abstract要約: GraphDOPは観測された量と興味の物理量との相関を学習する。
今後最大5日間の気象パラメータの厳密な予測を行うことができる。
- 参考スコア(独自算出の注目度): 0.22824658065924633
- License:
- Abstract: We introduce GraphDOP, a new data-driven, end-to-end forecast system developed at the European Centre for Medium-Range Weather Forecasts (ECMWF) that is trained and initialised exclusively from Earth System observations, with no physics-based (re)analysis inputs or feedbacks. GraphDOP learns the correlations between observed quantities - such as brightness temperatures from polar orbiters and geostationary satellites - and geophysical quantities of interest (that are measured by conventional observations), to form a coherent latent representation of Earth System state dynamics and physical processes, and is capable of producing skilful predictions of relevant weather parameters up to five days into the future.
- Abstract(参考訳): 我々は,欧州中距離気象予報センター(ECMWF)で開発された新しいデータ駆動型エンドツーエンド予測システムであるGraphDOPを紹介した。
GraphDOPは、極軌道と静止衛星の明るさ温度のような観測された量と(従来の観測によって測定される)地球物理学的な量の相関関係を学習し、地球系の状態力学と物理過程のコヒーレントな潜在性表現を形成する。
関連論文リスト
- Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。
データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。
そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-07-22T12:23:26Z) - 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) - Explainable Graph Neural Networks for Observation Impact Analysis in Atmospheric State Estimation [1.7410069559220338]
観測点と数値気象予報点を気象グラフに統合し,NWP点を中心とした$k$-hopのサブグラフを抽出する。
自己監督型GNNは、これらの$k$-hop radii内のデータを集約することで大気状態を推定するために使用される。
本研究は、推定過程における異なる観測の意義を定量化するために、勾配に基づく説明可能性法を適用した。
論文 参考訳(メタデータ) (2024-03-26T05:10:47Z) - CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks [1.9019250262578853]
CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする
本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
論文 参考訳(メタデータ) (2024-02-21T01:29:17Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - 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) - Forecasting Global Weather with Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワークを用いた気象予報のためのデータ駆動型手法を提案する。
システムは現在の3D大気状態を6時間前に進めることを学び、複数のステップをチェーンして、数日後の未来に進む巧妙な予測を生成する。
論文 参考訳(メタデータ) (2022-02-15T17:02:07Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - A Perspective on Gaussian Processes for Earth Observation [23.66931064985429]
空中・衛星リモートセンシングとその場観測による地球観測は、地球をモニタリングする上で重要な役割を担っている。
特に、機械学習とガウス過程(GP)は、生物地球物理変数の推定において際立った結果を得た。
前方および逆モデリングの大幅な進歩にもかかわらず、GPモデルは依然として重要な課題に直面しなければならない。
論文 参考訳(メタデータ) (2020-07-02T16:44:11Z) - 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。