論文の概要: Deep Learning Meets Teleconnections: Improving S2S Predictions for European Winter Weather

• arxiv url: http://arxiv.org/abs/2504.07625v1
• Date: Thu, 10 Apr 2025 10:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:38.704352
• Title: Deep Learning Meets Teleconnections: Improving S2S Predictions for European Winter Weather
• Title（参考訳）: 深層学習とテレコネクション:ヨーロッパ冬期のS2S予測を改善する
• Authors: Philine L. Bommer, Marlene Kretschmer, Fiona R. Spuler, Kirill Bykov, Marina M. -C. Höhne,
• Abstract要約: 季節と季節の時間スケールの予測は2週間から2ヶ月である。 成層圏極渦(SPV)やマデン=ジュリア振動(MJO)のようなテレコネクションは、予測可能性を高める窓を提供する。 我々は、北大西洋-欧州の気象状況を予測するためのディープラーニングアーキテクチャを開発し、評価した。
• 参考スコア（独自算出の注目度）: 2.3440344026824125
• License:
• Abstract: Predictions on subseasonal-to-seasonal (S2S) timescales--ranging from two weeks to two month--are crucial for early warning systems but remain challenging owing to chaos in the climate system. Teleconnections, such as the stratospheric polar vortex (SPV) and Madden-Julian Oscillation (MJO), offer windows of enhanced predictability, however, their complex interactions remain underutilized in operational forecasting. Here, we developed and evaluated deep learning architectures to predict North Atlantic-European (NAE) weather regimes, systematically assessing the role of remote drivers in improving S2S forecast skill of deep learning models. We implemented (1) a Long Short-term Memory (LSTM) network predicting the NAE regimes of the next six weeks based on previous regimes, (2) an Index-LSTM incorporating SPV and MJO indices, and (3) a ViT-LSTM using a Vision Transformer to directly encode stratospheric wind and tropical outgoing longwave radiation fields. These models are compared with operational hindcasts as well as other AI models. Our results show that leveraging teleconnection information enhances skill at longer lead times. Notably, the ViT-LSTM outperforms ECMWF's subseasonal hindcasts beyond week 4 by improving Scandinavian Blocking (SB) and Atlantic Ridge (AR) predictions. Analysis of high-confidence predictions reveals that NAO-, SB, and AR opportunity forecasts can be associated with SPV variability and MJO phase patterns aligning with established pathways, also indicating new patterns. Overall, our work demonstrates that encoding physically meaningful climate fields can enhance S2S prediction skill, advancing AI-driven subseasonal forecast. Moreover, the experiments highlight the potential of deep learning methods as investigative tools, providing new insights into atmospheric dynamics and predictability.
• Abstract（参考訳）: 早期警戒システムには2週間から2ヶ月に及ぶS2Sの時間スケールの予測が不可欠だが、気候システムの混乱により依然として困難である。 成層圏極渦 (SPV) やマデン=ジュリア振動 (MJO) のようなテレコネクションは、予測可能性を高める窓を提供するが、それらの複雑な相互作用は操作予測では未利用のままである。 そこで我々は,北大西洋ヨーロッパ(NAE)の気象状況を予測するためのディープラーニングアーキテクチャを開発し,評価し,深層学習モデルのS2S予測スキル向上におけるリモートドライバの役割を体系的に評価した。 本研究では,(1)過去6週間のNAE体制を予測する長短記憶(LSTM)ネットワーク,(2)SPVおよびMJO指標を組み込んだインデックス-LSTM,(3)Vit-LSTMを用いて成層圏風と熱帯の長波放射場を直接エンコードするViT-LSTMを実装した。 これらのモデルは、他のAIモデルと同様に、運用上のヒンドキャストと比較される。 テレコネクション情報を活用することで,より長いリードタイムでのスキル向上が期待できる。 特に、VT-LSTMはECMWFのサブシーズン・ヒンドキャストを4週を超えて上回り、スカンジナビア・ブロッキング(SB)とアトランティック・リッジ(AR)の予測を改善した。 高信頼度予測の解析により、NAO-、SB、ARの機会予測は、確立された経路と整合したSPV変動とMJO位相パターンに関連付けられ、新しいパターンを示すことが明らかとなった。 全体として、我々の研究は、物理的に意味のある気候場を符号化することで、S2S予測スキルが向上し、AI駆動のサブシーズン予測が前進することを示した。 さらに、この実験は、深層学習手法を調査ツールとしての可能性を強調し、大気力学と予測可能性に関する新たな洞察を提供する。

関連論文リスト

• Maximizing the Impact of Deep Learning on Subseasonal-to-Seasonal Climate Forecasting: The Essential Role of Optimization [17.574436380991266]
  天気予報や気候予報は農業や災害管理といった分野にとって不可欠である。 2週間から6週間にわたるS2Sスケールでの予測は依然として困難である。 本稿では,ネットワーク構造ではなく最適化が,この性能ギャップの根本原因になり得ることを示す。
  論文  参考訳（メタデータ） (2024-11-23T08:01:54Z)
• 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)
• 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)
• 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)
• 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)
• ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution and Transformer Networks [47.60320586459432]
  ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。 本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。 ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-16T12:12:31Z)
• FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models [13.852128658186876]
  FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、グローバルな日平均予測を最大42日間提供する機械学習モデルである。 ECMWF ERA5の再分析データから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルを上回っている。
  論文  参考訳（メタデータ） (2023-12-15T16:31:44Z)
• 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)
• 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。