論文の概要: Generative assimilation and prediction for weather and climate

• arxiv url: http://arxiv.org/abs/2503.03038v1
• Date: Tue, 04 Mar 2025 22:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:00.948118
• Title: Generative assimilation and prediction for weather and climate
• Title（参考訳）: 気象・気候の遺伝的同化と予測
• Authors: Shangshang Yang, Congyi Nai, Xinyan Liu, Weidong Li, Jie Chao, Jingnan Wang, Leyi Wang, Xichen Li, Xi Chen, Bo Lu, Ziniu Xiao, Niklas Boers, Huiling Yuan, Baoxiang Pan,
• Abstract要約: GAP(Generative Assimilation and Prediction)を紹介する。 GAPは気候と気候の同化と予測のための統合された枠組みである。 データ同化、シームレスな予測、気候シミュレーションなど、幅広い気候関連タスクに優れています。
• 参考スコア（独自算出の注目度）: 9.319028023682494
• License:
• Abstract: Machine learning models have shown great success in predicting weather up to two weeks ahead, outperforming process-based benchmarks. However, existing approaches mostly focus on the prediction task, and do not incorporate the necessary data assimilation. Moreover, these models suffer from error accumulation in long roll-outs, limiting their applicability to seasonal predictions or climate projections. Here, we introduce Generative Assimilation and Prediction (GAP), a unified deep generative framework for assimilation and prediction of both weather and climate. By learning to quantify the probabilistic distribution of atmospheric states under observational, predictive, and external forcing constraints, GAP excels in a broad range of weather-climate related tasks, including data assimilation, seamless prediction, and climate simulation. In particular, GAP is competitive with state-of-the-art ensemble assimilation, probabilistic weather forecast and seasonal prediction, yields stable millennial simulations, and reproduces climate variability from daily to decadal time scales.
• Abstract（参考訳）: 機械学習モデルは、最大2週間前の天気を予測し、プロセスベースのベンチマークを上回っている。 しかし、既存のアプローチは主に予測タスクに重点を置いており、必要なデータ同化を組み込んでいない。 さらに、これらのモデルは長期にわたるロールアウトにおいてエラーの蓄積に悩まされ、季節予測や気候予測の適用性に制限される。 本稿では,気象と気候の両面での同化と予測のための統合された深層生成フレームワークであるGAPについて紹介する。 観測的、予測的、外部的な強制的制約の下で大気状態の確率的分布を定量化することを学ぶことで、GAPはデータ同化、シームレスな予測、気候シミュレーションなど、幅広い気候関連タスクを遂行する。 特に、GAPは、最先端のアンサンブル同化、確率的天気予報、季節予測と競合し、安定したミレニアルシミュレーションをもたらし、日々の時間スケールからdecadalタイムスケールまでの気候変動を再現する。

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)
• Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts [0.0]
  天気予報には視界のアンサンブル予測が組み込まれている。 予測の信頼性と精度を高めるために、後処理が推奨される。 本研究は, 後処理後の予測が, 生・気候予測よりもかなり優れていることを確認した。
  論文  参考訳（メタデータ） (2024-06-20T09:57:49Z)
• Uncertainty quantification for data-driven weather models [0.0]
  本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。 具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。 欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:07:51Z)
• 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)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network [0.8378605337114742]
  本稿では,サプライチェーン機能に対する堅牢で信頼性の高い時系列予測を提供するため,季節的気候予測を符号化する新しい枠組みを提案する。 本実験は, 季節気候予測をモデル化し, 複数の実世界のデータセットに対して約13%から17%の誤差低減を達成できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T13:58:59Z)
• 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)
• Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
  我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。 季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
  論文  参考訳（メタデータ） (2020-10-27T21:02:26Z)
• 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。