論文の概要: TianQuan-Climate: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State

• arxiv url: http://arxiv.org/abs/2504.09940v1
• Date: Mon, 14 Apr 2025 07:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:50:29.249411
• Title: TianQuan-Climate: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State
• Title（参考訳）: TianQuan-Climate:Incorporate Climatology Stateによる海底-海底グローバル気象モデル
• Authors: Guowen Li, Xintong Liu, Shilei Cao, Haoyuan Liang, Mengxuan Chen, Lixian Zhang, Jinxiao Zhang, Jiuke Wang, Meng Jin, Juepeng Zheng,
• Abstract要約: 我々は,世界平均予測を最大45日間に設定する新しい機械学習モデルであるClimate Furnace Subseasonal-to-Seasonal(TianQuan-Climate)を提案する。 提案したTianQuan-Climateには2つの利点がある: 1) 長期のサブシーズン予測におけるシステムエラーの影響を低減するためにマルチモデル予測戦略を利用する。 本研究では,15～45日間の気象予報および気象予報のベンチマークにおけるTianQuan-Climateの有効性を示す。
• 参考スコア（独自算出の注目度）: 4.357708422509351
• License:
• Abstract: Subseasonal forecasting serves as an important support for Sustainable Development Goals (SDGs), such as climate challenges, agricultural yield and sustainable energy production. However, subseasonal forecasting is a complex task in meteorology due to dissipating initial conditions and delayed external forces. Although AI models are increasingly pushing the boundaries of this forecasting limit, they face two major challenges: error accumulation and Smoothness. To address these two challenges, we propose Climate Furnace Subseasonal-to-Seasonal (TianQuan-Climate), a novel machine learning model designed to provide global daily mean forecasts up to 45 days, covering five upper-air atmospheric variables at 13 pressure levels and two surface variables. Our proposed TianQuan-Climate has two advantages: 1) it utilizes a multi-model prediction strategy to reduce system error impacts in long-term subseasonal forecasts; 2) it incorporates a Content Fusion Module for climatological integration and extends ViT with uncertainty blocks (UD-ViT) to improve generalization by learning from uncertainty. We demonstrate the effectiveness of TianQuan-Climate on benchmarks for weather forecasting and climate projections within the 15 to 45-day range, where TianQuan-Climate outperforms existing numerical and AI methods.
• Abstract（参考訳）: 季節変動予測は、気候問題、農業収量、持続可能なエネルギー生産など、持続可能な開発目標(SDG)の重要な支援となる。 しかし、季節下予測は、初期の条件と遅延した外部力による気象学の複雑な課題である。 AIモデルは、この予測限界の境界をますます押し上げているが、エラーの蓄積と滑らかさという2つの大きな課題に直面している。 これら2つの課題に対処するために、13の圧力レベルと2つの表面変数で5つの上層大気変数をカバーし、世界平均予測を最大45日間に提供するように設計された、新しい機械学習モデルであるClimate Furnace Subseasonal-to-Seasonal(TianQuan-Climate)を提案する。 提案したTianQuan-Climateには2つの利点がある。 1) 長期サブシーズン予測におけるシステムエラーの影響を低減するためのマルチモデル予測戦略を利用する。 2) 気候統合のためのContent Fusion Moduleを導入し、不確実性から学習することで一般化を改善するため、不確実性ブロック(UD-ViT)でViTを拡張した。 我々は、TianQuan-Climateが既存の数値およびAI手法より優れている15日から45日間の範囲の天気予報および気候予測のベンチマークにおける有効性を示す。

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)
• 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)
• FuXi-2.0: Advancing machine learning weather forecasting model for practical applications [11.50902060124504]
  FuXi-2.0は先進的な機械学習モデルであり、1時間の世界的な天気予報を配信し、気象変数の包括的なセットを含む。 FuXi-2.0は、風力や太陽エネルギー、航空、海運などに関連する重要な気象変数を予測するために、ECMWF HRESを一貫して上回っている。 FuXi-2.0 は大気と海洋の両方を統合しており、大気と海洋を結合したモデルの開発において大きな前進を示している。
  論文  参考訳（メタデータ） (2024-09-11T11:21:00Z)
• 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)
• ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction [23.075528272022282]
  本稿では,データ駆動型気象エミュレータの予測可能性範囲をS2Sタイムスケールに拡張するChaosBenchを提案する。 ChaosBench は、海、氷、土地の再分析生成物を含む、典型的な大気圏 ERA5 以外の変数で構成されている。 我々は、4つの国家気象機関による物理ベースの予測を、我々のデータ駆動の予測のベースラインとして評価した。
  論文  参考訳（メタデータ） (2024-02-01T16:07:12Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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。