論文の概要: Deep Learning and Foundation Models for Weather Prediction: A Survey

• arxiv url: http://arxiv.org/abs/2501.06907v1
• Date: Sun, 12 Jan 2025 19:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:23:06.339604
• Title: Deep Learning and Foundation Models for Weather Prediction: A Survey
• Title（参考訳）: 気象予報のための深層学習モデルと基礎モデル
• Authors: Jimeng Shi, Azam Shirali, Bowen Jin, Sizhe Zhou, Wei Hu, Rahuul Rangaraj, Shaowen Wang, Jiawei Han, Zhaonan Wang, Upmanu Lall, Yanzhao Wu, Leonardo Bobadilla, Giri Narasimhan,
• Abstract要約: 物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となっている。 深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析することができる。 本稿では,最近の気象予測のための深層学習モデルと基礎モデルについて述べる。
• 参考スコア（独自算出の注目度）: 26.206143056332056
• License:
• Abstract: Physics-based numerical models have been the bedrock of atmospheric sciences for decades, offering robust solutions but often at the cost of significant computational resources. Deep learning (DL) models have emerged as powerful tools in meteorology, capable of analyzing complex weather and climate data by learning intricate dependencies and providing rapid predictions once trained. While these models demonstrate promising performance in weather prediction, often surpassing traditional physics-based methods, they still face critical challenges. This paper presents a comprehensive survey of recent deep learning and foundation models for weather prediction. We propose a taxonomy to classify existing models based on their training paradigms: deterministic predictive learning, probabilistic generative learning, and pre-training and fine-tuning. For each paradigm, we delve into the underlying model architectures, address major challenges, offer key insights, and propose targeted directions for future research. Furthermore, we explore real-world applications of these methods and provide a curated summary of open-source code repositories and widely used datasets, aiming to bridge research advancements with practical implementations while fostering open and trustworthy scientific practices in adopting cutting-edge artificial intelligence for weather prediction. The related sources are available at https://github.com/JimengShi/ DL-Foundation-Models-Weather.
• Abstract（参考訳）: 物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となり、堅牢な解を提供するが、しばしば重要な計算資源を犠牲にしている。 深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析し、複雑な依存関係を学習し、一度訓練した時点での迅速な予測を提供する。 これらのモデルは天気予報において有望な性能を示し、しばしば伝統的な物理学に基づく手法を超越するが、それでも重要な課題に直面している。 本稿では,近年の気象予報のためのディープラーニングモデルと基礎モデルについて包括的に調査する。 本稿では, 決定論的予測学習, 確率論的生成学習, 事前学習, 微調整という, 学習パラダイムに基づく既存モデルを分類する分類法を提案する。 それぞれのパラダイムについて、基礎となるモデルアーキテクチャを掘り下げ、大きな課題に対処し、重要な洞察を提供し、将来の研究の目標とする方向を提案します。 さらに,これらの手法の現実的な応用を探求し,オープンソースコードリポジトリと広く使用されているデータセットのキュレートされた要約を提供し,最先端の人工知能を天気予報に適用するオープンで信頼性の高い科学的プラクティスを育みながら,実践的な実装で研究の進歩を橋渡しすることを目的とする。 関連するソースはhttps://github.com/JimengShi/ DL-Foundation-Models-Weatherにある。

関連論文リスト

• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• 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)
• Interpretable Machine Learning for Weather and Climate Prediction: A Survey [24.028385794099435]
  気象予測に適用された現在の解釈可能な機械学習手法について概説する。 ツリーアンサンブルや説明可能なニューラルネットワークといったアーキテクチャを使って、スクラッチから本質的に解釈可能なモデルを設計する。 物理原理に沿ったより深い機械的解釈を達成するための研究課題について論じる。
  論文  参考訳（メタデータ） (2024-03-24T14:23:35Z)
• 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)
• 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)
• Foundation Models for Weather and Climate Data Understanding: A Comprehensive Survey [39.08108001903514]
  私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。 主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
  論文  参考訳（メタデータ） (2023-12-05T01:10:54Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• 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)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)

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。