論文の概要: A machine learning model for skillful climate system prediction

• arxiv url: http://arxiv.org/abs/2505.06269v1
• Date: Tue, 06 May 2025 03:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.723613
• Title: A machine learning model for skillful climate system prediction
• Title（参考訳）: 熟練気候予測のための機械学習モデル
• Authors: Chenguang Zhou, Lei Chen, Xiaohui Zhong, Bo Lu, Hao Li, Libo Wu, Jie Wu, Jiahui Hu, Zesheng Dou, Pang-Chi Hsu, Xiaoye Zhang,
• Abstract要約: 本稿では、29変数に対して、毎日60日間のグローバルな予測を提供するAIベースの気候システムモデルであるFengShun-CSMを紹介する。 このモデルは、ほとんどの変数を予測するために、ECMWF (European Centre for Medium-Range Weather Forecasts) subseasonal-to-seasonal (S2S) モデルよりも大幅に優れている。 特筆すべきは、FengShun-CSMは、海底の極端な事象を予測する大きな可能性を示すことである。
• 参考スコア（独自算出の注目度）: 12.912679599908984
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate system models (CSMs), through integrating cross-sphere interactions among the atmosphere, ocean, land, and cryosphere, have emerged as pivotal tools for deciphering climate dynamics and improving forecasting capabilities. Recent breakthroughs in artificial intelligence (AI)-driven meteorological modeling have demonstrated remarkable success in single-sphere systems and partially spheres coupled systems. However, the development of a fully coupled AI-based climate system model encompassing atmosphere-ocean-land-sea ice interactions has remained an unresolved challenge. This paper introduces FengShun-CSM, an AI-based CSM model that provides 60-day global daily forecasts for 29 critical variables across atmospheric, oceanic, terrestrial, and cryospheric domains. The model significantly outperforms the European Centre for Medium-Range Weather Forecasts (ECMWF) subseasonal-to-seasonal (S2S) model in predicting most variables, particularly precipitation, land surface, and oceanic components. This enhanced capability is primarily attributed to its improved representation of intra-seasonal variability modes, most notably the Madden-Julian Oscillation (MJO). Remarkably, FengShun-CSM exhibits substantial potential in predicting subseasonal extreme events. Such breakthroughs will advance its applications in meteorological disaster mitigation, marine ecosystem conservation, and agricultural productivity enhancement. Furthermore, it validates the feasibility of developing AI-powered CSMs through machine learning technologies, establishing a transformative paradigm for next-generation Earth system modeling.
• Abstract（参考訳）: 気候システムモデル(CSM)は、大気、海、陸、低温圏間の球間相互作用を統合することで、気候力学を解読し、予測能力を向上するための重要なツールとして登場した。 人工知能(AI)による気象モデリングの最近の進歩は、単球系と部分球結合系において顕著な成功を収めている。 しかし、大気-海洋-陸-海氷の相互作用を含む完全に結合したAIベースの気候システムモデルの開発は未解決の課題のままである。 本稿では, 大気, 海洋, 地球, 低温領域にまたがる29の臨界変数を毎日60日間にわたって予測するAIベースのCSMモデルであるFengShun-CSMを紹介する。 このモデルは欧州中距離気象予報センター(ECMWF)のサブ・シーズン・ツー・シーズン・モデル(S2S)よりも優れており、降水量、地表、海洋成分など多くの変数を予測できる。 この拡張機能は、主にシーズン内変動モードの改善によるものであり、特にMadden-Julian Oscillation (MJO) が顕著である。 特筆すべきは、FengShun-CSMは、海底の極端な事象を予測する大きな可能性を示すことである。 このようなブレークスルーは、気象災害の緩和、海洋生態系の保全、農業生産性の向上にその応用を推し進める。 さらに、機械学習技術を通じてAIを活用したCSMを開発する可能性を検証することで、次世代地球システムモデリングのための変革的パラダイムを確立する。

関連論文リスト

• Seasonal Prediction with Neural GCM and Simplified Boundary Forcings: Large-scale Atmospheric Variability and Tropical Cyclone Activity [2.5701544858386396]
  機械学習モデルは天気予報で成功し、気候シミュレーションの進歩を見せている。 本稿では,ML-物理ハイブリッド大気モデルであるNeuralGCMを用いて,大規模な大気変動と北半球熱帯サイクロン(TC)活動の季節予測を行った。 特に、北大西洋と東太平洋の流域におけるTC周波数の予測技術は、既存の物理モデルに匹敵する。
  論文  参考訳（メタデータ） (2025-04-30T19:42:16Z)
• 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)
• 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)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
  我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。 その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。 本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
  論文  参考訳（メタデータ） (2024-06-12T20:29:14Z)
• 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)
• 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)

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。