論文の概要: Physics-Assisted and Topology-Informed Deep Learning for Weather Prediction

• arxiv url: http://arxiv.org/abs/2505.04918v1
• Date: Thu, 08 May 2025 03:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.736003
• Title: Physics-Assisted and Topology-Informed Deep Learning for Weather Prediction
• Title（参考訳）: 気象予測のための物理支援とトポロジーインフォームド深層学習
• Authors: Jiaqi Zheng, Qing Ling, Yerong Feng,
• Abstract要約: 気象予測のための物理ASSisted and Topologyインフォームド深層学習モデルであるPASSATを開発した。 PASSAT は気象の進化を、(i) 対流方程式とナヴィエ・ストークス方程式で特徴づけられる対流過程、(ii) モデル化と計算が困難である地球と大気の相互作用の2つの主要な要因に特化している。
• 参考スコア（独自算出の注目度）: 27.94158695499098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning models have demonstrated remarkable potential in weather prediction, most of them overlook either the \textbf{physics} of the underlying weather evolution or the \textbf{topology} of the Earth's surface. In light of these disadvantages, we develop PASSAT, a novel Physics-ASSisted And Topology-informed deep learning model for weather prediction. PASSAT attributes the weather evolution to two key factors: (i) the advection process that can be characterized by the advection equation and the Navier-Stokes equation; (ii) the Earth-atmosphere interaction that is difficult to both model and calculate. PASSAT also takes the topology of the Earth's surface into consideration, other than simply treating it as a plane. With these considerations, PASSAT numerically solves the advection equation and the Navier-Stokes equation on the spherical manifold, utilizes a spherical graph neural network to capture the Earth-atmosphere interaction, and generates the initial velocity fields that are critical to solving the advection equation from the same spherical graph neural network. In the $5.625^\circ$-resolution ERA5 data set, PASSAT outperforms both the state-of-the-art deep learning-based weather prediction models and the operational numerical weather prediction model IFS T42. Code and checkpoint are available at https://github.com/Yumenomae/PASSAT_5p625.
• Abstract（参考訳）: 深層学習モデルは天気予報に顕著な可能性を示しているが、そのほとんどは、下層の気象の進化の「textbf{physics}」や、地球の地表の「textbf{topology}」を見落としている。 これらの欠点を鑑み,気象予報のための物理・位相インフォームド深層学習モデルであるPASSATを開発した。 PASSATは気象の進化を2つの重要な要因とみなしている。 一 対流方程式及びナビエ・ストークス方程式により特徴づけることができる対流過程 (II) モデル化と計算が困難である地球-大気相互作用。 PASSATは、単に平面として扱う以外に、地球表面のトポロジーを考慮に入れている。 これらの考察により、PASSATは球面多様体上の対流方程式とナビエ・ストークス方程式を数値的に解き、球面グラフニューラルネットワークを用いて地球-大気相互作用を捉え、同じ球面グラフニューラルネットワークから対流方程式を解くのに重要な初期速度場を生成する。 5.625^\circ$- resolution ERA5データセットでは、PASSATは最先端のディープラーニングベースの天気予報モデルと運用数値の天気予報モデルであるIFS T42の両方より優れている。 コードとチェックポイントはhttps://github.com/Yumenomae/PASSAT_5p625で公開されている。

関連論文リスト

• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• Deep Learning and Foundation Models for Weather Prediction: A Survey [26.206143056332056]
  物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となっている。 深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析することができる。 本稿では,最近の気象予測のための深層学習モデルと基礎モデルについて述べる。
  論文  参考訳（メタデータ） (2025-01-12T19:27:51Z)
• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• 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)
• A machine learning and feature engineering approach for the prediction of the uncontrolled re-entry of space objects [1.0205541448656992]
  低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。 このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。 この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
  論文  参考訳（メタデータ） (2023-03-17T13:53:59Z)

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。