論文の概要: CNCast: Leveraging 3D Swin Transformer and DiT for Enhanced Regional Weather Forecasting

• arxiv url: http://arxiv.org/abs/2503.13546v1
• Date: Sun, 16 Mar 2025 12:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:26.565855
• Title: CNCast: Leveraging 3D Swin Transformer and DiT for Enhanced Regional Weather Forecasting
• Title（参考訳）: CNCast:3DスウィントランスとDiTを活用した地域気象予報
• Authors: Hongli Liang, Yuanting Zhang, Qingye Meng, Shuangshuang He, Xingyuan Yuan,
• Abstract要約: 本研究では,SwinTransformer 3Dアーキテクチャに基づく最先端の地域天気予報モデルを提案する。 このモデルは、正確に1時間から5日間の天気予報を提供するように設計されている。
• 参考スコア（独自算出の注目度）: 4.03720648470091
• License:
• Abstract: This study introduces a cutting-edge regional weather forecasting model based on the SwinTransformer 3D architecture. This model is specifically designed to deliver precise hourly weather predictions ranging from 1 hour to 5 days, significantly improving the reliability and practicality of short-term weather forecasts. Our model has demonstrated generally superior performance when compared to Pangu, a well-established global model. The evaluation indicates that our model excels in predicting most weather variables, highlighting its potential as a more effective alternative in the field of limited area modeling. A noteworthy feature of this model is the integration of enhanced boundary conditions, inspired by traditional numerical weather prediction (NWP) techniques. This integration has substantially improved the model's predictive accuracy. Additionally, the model includes an innovative approach for diagnosing hourly total precipitation at a high spatial resolution of approximately 5 kilometers. This is achieved through a latent diffusion model, offering an alternative method for generating high-resolution precipitation data.
• Abstract（参考訳）: 本研究では,SwinTransformer 3Dアーキテクチャに基づく最先端の地域天気予報モデルを提案する。 このモデルは、1時間から5日間の正確な天気予報を提供し、短期気象予報の信頼性と実用性を大幅に向上させるように設計されている。 我々のモデルは、よく確立されたグローバルモデルであるPanguと比較して、一般的に優れた性能を示している。 評価の結果,我々のモデルは気象変動の予測に優れており,限られた領域モデリングの分野において,より効果的な代替手段としての可能性を強調している。 このモデルの注目すべき特徴は、従来の数値気象予測(NWP)技術にインスパイアされた拡張境界条件の統合である。 この統合により、モデルの予測精度が大幅に向上した。 さらに、このモデルには、時間ごとの総降水量を約5kmの高分解能で診断するための革新的なアプローチが含まれている。 これは遅延拡散モデルにより達成され、高分解能降水データを生成する代替方法を提供する。

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)
• Regional data-driven weather modeling with a global stretched-grid [0.3804109677654105]
  このモデルはグラフニューラルネットワークに基づいており、これは自然に任意のマルチレゾリューショングリッド構成を提供する。 このモデルは北欧の短距離気象予測に適用され、2.5km、時間分解能は6hと予測される。 このモデルは、競争力のある降水量や風速予測も生み出すが、極端な出来事を過小評価している。
  論文  参考訳（メタデータ） (2024-09-04T17:31:20Z)
• 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)
• 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)
• 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)
• 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)
• The Compatibility between the Pangu Weather Forecasting Model and Meteorological Operational Data [22.582123955476064]
  一般に用いられているNWP操作解析とPangu-Weatherモデルとの整合性を評価する。 我々は,パング・ウィーザーモデルの予測性能向上にグローバル・ローカル・初期条件の品質向上が寄与することが確認された。
  論文  参考訳（メタデータ） (2023-08-07T23:10:32Z)
• 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)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)

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。