論文の概要: AI Models Still Lag Behind Traditional Numerical Models in Predicting Sudden-Turning Typhoons

• arxiv url: http://arxiv.org/abs/2502.16036v1
• Date: Sat, 22 Feb 2025 02:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:00.721699
• Title: AI Models Still Lag Behind Traditional Numerical Models in Predicting Sudden-Turning Typhoons
• Title（参考訳）: AIモデルはいまだに、突発的な台風を予知する伝統的な数値モデルの背後にある
• Authors: Daosheng Xu, Zebin Lu, Jeremy Cheuk-Hin Leung, Dingchi Zhao, Yi Li, Yang Shi, Bin Chen, Gaozhen Nie, Naigeng Wu, Xiangjun Tian, Yi Yang, Shaoqing Zhang, Banglin Zhang,
• Abstract要約: 我々はPangu-Weatherの2020-2024年の極度のサイクロン軌道予測能力を再評価する。 Pangu-Weatherは全体的にNWPモデルより優れているが、稀に観測される急旋回トラックを正確に予測するには不十分である。 我々は、現在のAIWPモデルは、中距離予測におけるこのような稀な極端な事象を予測するために、従来のNWPモデルよりまだ遅れていると論じる。
• 参考スコア（独自算出の注目度）: 18.75825426950271
• License:
• Abstract: Given the interpretability, accuracy, and stability of numerical weather prediction (NWP) models, current operational weather forecasting relies heavily on the NWP approach. In the past two years, the rapid development of Artificial Intelligence (AI) has provided an alternative solution for medium-range (1-10 days) weather forecasting. Bi et al. (2023) (hereafter Bi23) introduced the first AI-based weather prediction (AIWP) model in China, named Pangu-Weather, which offers fast prediction without compromising accuracy. In their work, Bi23 made notable claims regarding its effectiveness in extreme weather predictions. However, this claim lacks persuasiveness because the extreme nature of the two tropical cyclones (TCs) examples presented in Bi23, namely Typhoon Kong-rey and Typhoon Yutu, stems primarily from their intensities rather than their moving paths. Their claim may mislead into another meaning which is that Pangu-Weather works well in predicting unusual typhoon paths, which was not explicitly analyzed. Here, we reassess Pangu-Weather's ability to predict extreme TC trajectories from 2020-2024. Results reveal that while Pangu-Weather overall outperforms NWP models in predicting tropical cyclone (TC) tracks, it falls short in accurately predicting the rarely observed sudden-turning tracks, such as Typhoon Khanun in 2023. We argue that current AIWP models still lag behind traditional NWP models in predicting such rare extreme events in medium-range forecasts.
• Abstract（参考訳）: 数値気象予測(NWP)モデルの解釈可能性、精度、安定性を考えると、現在の運用天気予測はNWPアプローチに大きく依存している。 過去2年間、人工知能(AI)の急速な発展は、中距離(1-10日)の天気予報のための代替ソリューションを提供してきた。 Bi et al (2023年以降)は、中国初のAIベースの天気予報(AIWP)モデルであるPangu-Weatherを導入した。 彼らの研究の中で、Bi23は極度の天気予報における効果について顕著な主張を行った。 しかし、この主張は、Bi23で提示された2つの熱帯性サイクロン(TC)の極端な性質、すなわちTyphoon Kong-ReyとTyphoon Yutuの極端な性質は、移動経路よりもその強度に由来するため、説得力に欠ける。 彼らの主張は、パング・ウィーザーが異常な台風の経路を予測するのにうまく機能する、という別の意味に誤解を招きかねない。 ここでは、Pangu-Weatherの2020-2024年の極度のTC軌道予測能力を再評価する。 その結果、パング・ウェザーは熱帯性サイクロン(TC)の軌道予測においてNWPモデルよりも優れており、2023年の台風・ハーンのような稀に観測される突然の軌道を正確に予測するには不十分であることが判明した。 我々は、現在のAIWPモデルは、中距離予測におけるこのような稀な極端な事象を予測するために、従来のNWPモデルよりまだ遅れていると論じる。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
  4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。 かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
  論文  参考訳（メタデータ） (2024-09-08T22:58:46Z)
• Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
  数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。 本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
  論文  参考訳（メタデータ） (2024-08-29T08:36:22Z)
• 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)
• Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
  機械学習天気予報モデルとECMWFの高分解能予測システムを比較した。 我々は,ML気象予報モデルが,記録破りの太平洋北西部熱波上でHRESと類似の精度を局所的に達成していることを発見した。 さらに、HRESとMLモデルのエラーが、そのイベントにどのように構築されるかという構造的な違いも強調します。
  論文  参考訳（メタデータ） (2024-04-26T18:18:25Z)
• Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NCEP-NWP forecasts [1.7249361224827533]
  我々は、IMDから取得したインドの1日1グリッド降水データを用いて、空間分解能1回あたり1回あたり1回あたり1.99ドルという時間帯でニューラルネットワークを訓練する。 過去の降雨データにディープラーニングを適用した予測は,NWP予測や永続性に基づく予測よりも精度が高いと結論付けた。
  論文  参考訳（メタデータ） (2024-02-12T17:59:20Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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 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。