論文の概要: Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework
- arxiv url: http://arxiv.org/abs/2501.02905v1
- Date: Mon, 06 Jan 2025 10:29:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:08:39.327583
- Title: Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework
- Title(参考訳): 統合型ディープラーニングフレームワークによる高度な高分解能アンサンブル降水予測
- Authors: Shuangshuang He, Hongli Liang, Yuanting Zhang, Xingyuan Yuan,
- Abstract要約: 高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。
本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 4.3313006430322165
- License:
- Abstract: High-resolution precipitation forecasts are crucial for providing accurate weather prediction and supporting effective responses to extreme weather events. Traditional numerical models struggle with stochastic subgrid-scale processes, while recent deep learning models often produce blurry results. To address these challenges, we propose a physics-inspired deep learning framework for high-resolution (0.05\textdegree{} $\times$ 0.05\textdegree{}) ensemble precipitation forecasting. Trained on ERA5 and CMPA high-resolution precipitation datasets, the framework integrates deterministic and probabilistic components. The deterministic model, based on a 3D SwinTransformer, captures average precipitation at mesoscale resolution and incorporates strategies to enhance performance, particularly for moderate to heavy rainfall. The probabilistic model employs conditional diffusion in latent space to account for uncertainties in residual precipitation at convective scales. During inference, ensemble members are generated by repeatedly sampling latent variables, enabling the model to represent precipitation uncertainty. Our model significantly enhances spatial resolution and forecast accuracy. Rank histogram shows that the ensemble system is reliable and unbiased. In a case study of heavy precipitation in southern China, the model outputs align more closely with observed precipitation distributions than ERA5, demonstrating superior capability in capturing extreme precipitation events. Additionally, 5-day real-time forecasts show good performance in terms of CSI scores.
- Abstract(参考訳): 高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。
従来の数値モデルは確率的なサブグリッドスケールのプロセスに苦労するが、最近のディープラーニングモデルはしばしば曖昧な結果を生み出す。
これらの課題に対処するために,高分解能(0.05\textdegree{} $\times$ 0.05\textdegree{})アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
ERA5とCMPAの高分解能降水データセットに基づいてトレーニングされたこのフレームワークは、決定論的および確率的コンポーネントを統合する。
3Dスウィントランスフォーマーに基づく決定論的モデルは、メソスケールの解像度で平均降水量をキャプチャし、特に中程度の降水量から重い降水量への性能向上戦略を取り入れている。
確率モデルは、対流スケールでの残留降水の不確実性を考慮するために、潜水空間における条件拡散を利用する。
推論中は、繰り返し潜伏変数をサンプリングしてアンサンブル部材を生成し、モデルが降水不確実性を表現できるようにする。
我々のモデルは空間分解能と予測精度を大幅に向上させる。
ランクヒストグラムはアンサンブル系が信頼性が高く、偏りがないことを示している。
中国南部における重降雨のケーススタディでは, モデル出力はERA5よりも観測された降雨分布と密接に一致しており, 極端な降雨イベントを捉える能力に優れていた。
さらに、5日間のリアルタイム予測では、CSIスコアの点で優れたパフォーマンスを示している。
関連論文リスト
- 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) - Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。
本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。
その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
論文 参考訳(メタデータ) (2024-08-28T16:31:40Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - 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) - Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。
決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。
カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳(メタデータ) (2023-04-20T12:20:35Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - 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。