論文の概要: Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting

• arxiv url: http://arxiv.org/abs/2505.14555v1
• Date: Tue, 20 May 2025 16:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.562411
• Title: Physics-Guided Learning of Meteorological Dynamics for Weather Downscaling and Forecasting
• Title（参考訳）: 気象・予報のための物理指導による気象力学の学習
• Authors: Yingtao Luo, Shikai Fang, Binqing Wu, Qingsong Wen, Liang Sun,
• Abstract要約: 天気予報は必須であるが、計算集約的で物理的に不完全なままである。 我々は物理方程式と潜在力化をデータ駆動モデルに統合する物理誘導ディープラーニングフレームワークであるPhyDL-NWPを提案する。 実験の結果,PhyDL-NWPは予測性能と物理的整合性の両方を改善した。
• 参考スコア（独自算出の注目度）: 19.41746149629991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weather forecasting is essential but remains computationally intensive and physically incomplete in traditional numerical weather prediction (NWP) methods. Deep learning (DL) models offer efficiency and accuracy but often ignore physical laws, limiting interpretability and generalization. We propose PhyDL-NWP, a physics-guided deep learning framework that integrates physical equations with latent force parameterization into data-driven models. It predicts weather variables from arbitrary spatiotemporal coordinates, computes physical terms via automatic differentiation, and uses a physics-informed loss to align predictions with governing dynamics. PhyDL-NWP enables resolution-free downscaling by modeling weather as a continuous function and fine-tunes pre-trained models with minimal overhead, achieving up to 170x faster inference with only 55K parameters. Experiments show that PhyDL-NWP improves both forecasting performance and physical consistency.
• Abstract（参考訳）: 天気予報は必須であるが、従来の数値天気予報法(NWP)では計算集約的かつ物理的に不完全である。 ディープラーニング(DL)モデルは効率と正確性を提供するが、しばしば物理法則を無視し、解釈可能性と一般化を制限する。 我々は物理方程式と潜在力パラメータ化をデータ駆動モデルに統合する物理誘導ディープラーニングフレームワークであるPhyDL-NWPを提案する。 任意の時空間座標から気象変数を予測し、自動微分によって物理用語を計算し、物理インフォームド・ロスを用いて予測を支配力学と整合させる。 PhyDL-NWPは、気象を連続関数としてモデル化し、最小限のオーバーヘッドで微調整されたモデルで、55Kパラメータで最大170倍高速な推論を実現することで、分解能のないダウンスケーリングを可能にする。 実験の結果,PhyDL-NWPは予測性能と物理的整合性の両方を改善した。

関連論文リスト

• Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
  SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。 極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。 実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T05:56:09Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling [24.848981502799244]
  天気予報には、数値気象予報(WP)とディープラーニング予測(DLP)の2つのパラダイムがある。 WPは気象モデリングに大気物理学を利用するが、データ利用の低さと計算コストに悩まされている。 DLPは大量のデータから直接気象パターンを学習できるが、物理法則を組み込むのに苦労している。 我々はDeepPhysiNetフレームワークを導入し、物理法則をディープラーニングモデルに組み込んで、正確かつ連続的な気象システムモデリングを行う。
  論文  参考訳（メタデータ） (2024-01-04T05:05:16Z)
• Physics-constrained deep learning postprocessing of temperature and humidity [0.0]
  深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。 熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
  論文  参考訳（メタデータ） (2022-12-07T09:31:25Z)

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。