論文の概要: Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts

• arxiv url: http://arxiv.org/abs/2503.00332v2
• Date: Mon, 17 Mar 2025 16:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:56:45.754990
• Title: Investigating the contribution of terrain-following coordinates and conservation schemes in AI-driven precipitation forecasts
• Title（参考訳）: AIによる降水予測における地形追従座標と保全スキームの寄与に関する研究
• Authors: Yingkai Sha, John S. Schreck, William Chapman, David John Gagne II,
• Abstract要約: 本研究は, 地形追従座標と大域的質量・エネルギー保全スキームをAIWPモデルに統合する。 保存法は, ドライズルバイアスを低減させるのに対して, 地形追従座標を用いることで, 極端事象と降水強度スペクトルの推定が向上する。 この研究の解決策は、幅広いAIWPモデルに有効であり、大気領域の知識がAIWPモデルの開発にどのように役立つかについての洞察をもたらすことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Artificial Intelligence (AI) weather prediction (AIWP) models often produce "blurry" precipitation forecasts that overestimate drizzle and underestimate extremes. This study provides a novel solution to tackle this problem -- integrating terrain-following coordinates with global mass and energy conservation schemes into AIWP models. Forecast experiments are conducted to evaluate the effectiveness of this solution using FuXi, an example AIWP model, adapted to 1.0-degree grid spacing data. Verification results show large performance gains. The conservation schemes are found to reduce drizzle bias, whereas using terrain-following coordinates improves the estimation of extreme events and precipitation intensity spectra. Furthermore, a case study reveals that terrain-following coordinates capture near-surface winds better over mountains, offering AIWP models more accurate information on understanding the dynamics of precipitation processes. The proposed solution of this study can benefit a wide range of AIWP models and bring insights into how atmospheric domain knowledge can support the development of AIWP models.
• Abstract（参考訳）: 人工知能(AI)天気予報(AIWP)モデルは、しばしば「青い」降水予測を生み出す。 この研究は、地球規模の質量とエネルギー保存スキームと地形追従座標をAIWPモデルに統合する、この問題に対処するための新しい解決策を提供する。 本手法の有効性を評価するために,AIWPモデルであるFuXiを10°グリッド間隔データに適用した予測実験を行った。 検証結果は大きなパフォーマンス向上を示している。 保存法は, ドライズルバイアスを低減させるのに対して, 地形追従座標を用いることで, 極端事象と降水強度スペクトルの推定が向上する。 さらに、ケーススタディでは、地形を追従する座標が山の上空の風をよりよく捉え、降水過程のダイナミクスを理解するためのより正確なAIWPモデルを提供する。 この研究の解決策は、幅広いAIWPモデルに有効であり、大気領域の知識がAIWPモデルの開発にどのように役立つかについての洞察をもたらすことができる。

関連論文リスト

• OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
  OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。 RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:46:50Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。 GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。 その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• 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)
• 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)
• Interpretable AI-Driven Discovery of Terrain-Precipitation Relationships for Enhanced Climate Insights [8.780306158191443]
  GA-GWR(GA-GWR)と呼ばれるAIによる知識発見フレームワークを提案する。 本研究は,複雑な地形を特徴とする地域での降水パターンと地形特性の関係を規定する明示的な方程式を明らかにすることを目的とする。 このAI駆動の知識発見を通じて、地形の特徴と降水パターンの関連性に光を当てた、これまで公表されていなかった明示的な方程式が明らかになった。
  論文  参考訳（メタデータ） (2023-09-27T04:47:22Z)
• 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)
• IowaRain: A Statewide Rain Event Dataset Based on Weather Radars and Quantitative Precipitation Estimation [0.0]
  本研究はアイオワ州における降雨イベントの広範なデータセットを提示する。 予測モデリングと規範モデリングの両方に道を開くことで、より優れた災害監視、応答、復旧に使用できる。
  論文  参考訳（メタデータ） (2021-07-07T18:30:38Z)

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。