論文の概要: Towards Long-Range ENSO Prediction with an Explainable Deep Learning Model

• arxiv url: http://arxiv.org/abs/2503.19502v1
• Date: Tue, 25 Mar 2025 09:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 19:42:58.755988
• Title: Towards Long-Range ENSO Prediction with an Explainable Deep Learning Model
• Title（参考訳）: 説明可能な深層学習モデルを用いた遠距離ENSO予測に向けて
• Authors: Qi Chen, Yinghao Cui, Guobin Hong, Karumuri Ashok, Yuchun Pu, Xiaogu Zheng, Xuanze Zhang, Wei Zhong, Peng Zhan, Zhonglei Wang,
• Abstract要約: El Nino-Southern Oscillation (ENSO) は、年々の気候変動の顕著なモードであり、地球規模での影響が大きい。 我々は、畳み込みニューラルネットワークとトランスフォーマーを相乗化してENSO予測を強化する多変量ディープラーニングモデルであるCTEFNetを紹介する。
• 参考スコア（独自算出の注目度）: 8.609672620715674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: El Ni\~no-Southern Oscillation (ENSO) is a prominent mode of interannual climate variability with far-reaching global impacts. Its evolution is governed by intricate air-sea interactions, posing significant challenges for long-term prediction. In this study, we introduce CTEFNet, a multivariate deep learning model that synergizes convolutional neural networks and transformers to enhance ENSO forecasting. By integrating multiple oceanic and atmospheric predictors, CTEFNet extends the effective forecast lead time to 20 months while mitigating the impact of the spring predictability barrier, outperforming both dynamical models and state-of-the-art deep learning approaches. Furthermore, CTEFNet offers physically meaningful and statistically significant insights through gradient-based sensitivity analysis, revealing the key precursor signals that govern ENSO dynamics, which align with well-established theories and reveal new insights about inter-basin interactions among the Pacific, Atlantic, and Indian Oceans. The CTEFNet's superior predictive skill and interpretable sensitivity assessments underscore its potential for advancing climate prediction. Our findings highlight the importance of multivariate coupling in ENSO evolution and demonstrate the promise of deep learning in capturing complex climate dynamics with enhanced interpretability.
• Abstract（参考訳）: El Ni\~no-Southern Oscillation (ENSO) は、地球規模での気温変動の顕著な形態である。 その進化は複雑な海と海の間の相互作用によって制御され、長期の予測には重大な課題が生じる。 本研究では,畳み込みニューラルネットワークと変圧器を相乗化する多変量深層学習モデルであるCTEFNetを導入し,ENSO予測を強化する。 複数の海洋および大気予測器を統合することで、CTEFNetは、バネ予測可能性障壁の影響を緩和しつつ、効果的な予測リードタイムを20ヶ月まで延長し、動的モデルと最先端のディープラーニングアプローチの両方を上回ります。 さらに、CTEFNetは勾配に基づく感度分析を通じて物理的に有意かつ統計的に重要な洞察を提供し、ENSOダイナミクスを支配する主要な前駆的なシグナルを明らかにし、確立された理論と整合し、太平洋、大西洋、インド洋間のベース間相互作用に関する新たな洞察を明らかにする。 CTEFNetの優れた予測技術と解釈可能な感度評価は、気候予測を前進させる可能性を示している。 本研究は, ENO進化における多変量結合の重要性を強調し, 解釈可能性の向上による複雑な気候動態の捕捉における深層学習の可能性を示すものである。

関連論文リスト

• Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years [4.591672124307768]
  PTSTnetは24ヶ月を超えるリードタイムで最先端のベンチマークを著しく上回り、解釈可能な予測を生成する。 私たちの成功は、革新的なニューラルオーシャンモデリングに関する解釈可能な洞察において、大きな一歩を踏み出します。
  論文  参考訳（メタデータ） (2025-03-27T06:55:29Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Correlation to Causation: A Causal Deep Learning Framework for Arctic Sea Ice Prediction [3.868211565468035]
  本稿では,因果探索アルゴリズムとハイブリッドディープラーニングアーキテクチャを組み合わせた因果学習フレームワークを提案する。 提案手法は因果的重要な要因を特定し,直接影響のある特徴を優先し,特徴オーバーヘッドを低減し,計算効率を向上する。 実験により、因果的特徴の統合は、深層学習モデルの予測精度と複数のリードタイムでの解釈可能性を高めることが示されている。
  論文  参考訳（メタデータ） (2025-03-03T22:24:14Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts [0.0]
  本稿では,ディープラーニングとモデル・アナログ予測を統合した解釈可能なモデル・アナログを提案する。 我々は,地域地球系モデルバージョン2大アンサンブルを用いて,季節ごとの時間スケールでエルニーニョ南部振動(ENSO)を予測する。 その結果,赤道太平洋海面温度異常の予測は9～12ヶ月で10%改善した。
  論文  参考訳（メタデータ） (2024-04-23T18:10:18Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)
• Optimized ensemble deep learning framework for scalable forecasting of dynamics containing extreme events [0.0]
  2つの機械学習技術は、モデルの精度、安定性、スケーラビリティを相乗的に改善し、ダイナミクスの予測において新しい応用の波を促すために共同で使用される。 フィードフォワードニューラルネットワーク、貯水池コンピューティング、長期記憶の最良の凸結合に基づくOEDLモデルは、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
  論文  参考訳（メタデータ） (2021-06-09T10:59:41Z)

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。