Fugu-MT 論文翻訳(概要): PEAR: Equal Area Weather Forecasting on the Sphere

論文の概要: PEAR: Equal Area Weather Forecasting on the Sphere

arxiv url: http://arxiv.org/abs/2505.17720v1
Date: Fri, 23 May 2025 10:37:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-26 18:08:34.002052
Title: PEAR: Equal Area Weather Forecasting on the Sphere
Title（参考訳）: PEAR: 球面上の均等な地域気象予報
Authors: Hampus Linander, Christoffer Petersson, Daniel Persson, Jan E. Gerken,
Abstract要約: HEALPix-features上で直接動作する変圧器を用いた天気予報モデルであるPangu Equal ARea(PEAR)を紹介する。 Pangu Equal AReaは、Driiscollで対応するモデルよりも優れています。
参考スコア（独自算出の注目度）: 4.084445271608975
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning methods for global medium-range weather forecasting have recently received immense attention. Following the publication of the Pangu Weather model, the first deep learning model to outperform traditional numerical simulations of the atmosphere, numerous models have been published in this domain, building on Pangu's success. However, all of these models operate on input data and produce predictions on the Driscoll--Healy discretization of the sphere which suffers from a much finer grid at the poles than around the equator. In contrast, in the Hierarchical Equal Area iso-Latitude Pixelization (HEALPix) of the sphere, each pixel covers the same surface area, removing unphysical biases. Motivated by a growing support for this grid in meteorology and climate sciences, we propose to perform weather forecasting with deep learning models which natively operate on the HEALPix grid. To this end, we introduce Pangu Equal ARea (PEAR), a transformer-based weather forecasting model which operates directly on HEALPix-features and outperforms the corresponding model on Driscoll--Healy without any computational overhead.
Abstract（参考訳）: 近年,世界中距離気象予報のための機械学習手法が注目されている。大気の伝統的な数値シミュレーションを上回り、最初のディープラーニングモデルであるパング気象モデルが出版された後、パングの成功に基づいて多くのモデルがこの領域で出版された。しかしながら、これらのモデルは全て入力データで動作し、ドライスコールの予測を生成する。対照的に、球面の階層的等角領域等緯線化(HEALPix)では、各ピクセルは同じ表面積をカバーし、非物理的バイアスを取り除く。気象学や気候科学におけるこのグリッドの支持が高まりつつあることから,HEALPixグリッドをネイティブに運用する深層学習モデルを用いて天気予報を行うことを提案する。この目的のためにPangu Equal ARea(PEAR)を導入し、HEALPix-features上で直接動作し、計算オーバーヘッドを伴わずに対応するモデルをDriiscoll-Healy上で性能良くするトランスフォーマーベースの天気予報モデルを提案する。

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)
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)
CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文参考訳（メタデータ） (2024-05-12T23:18:14Z)
KARINA: An Efficient Deep Learning Model for Global Weather Forecast [2.9687381456164004]
カリナは計算資源が大幅に少ない高解像度の予測精度を達成している。カリナはConvNext、SENet、Geocyclic Paddingを統合し、2.5degの解像度で天気予報を強化する。カリナは気象予報の精度を新たなベンチマークで設定し、ECMWF S2Sのような既存のモデルを最大7日間のリードタイムで上回った。
論文参考訳（メタデータ） (2024-03-13T06:41:37Z)
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)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
Graph-based Neural Weather Prediction for Limited Area Modeling [12.576113481317527]
グラフベースのNeurWPアプローチを限定領域設定に適用し,マルチスケール階層モデル拡張を提案する。本手法は北欧地域の局所モデルを用いた実験により検証された。
論文参考訳（メタデータ） (2023-09-29T16:20:34Z)
Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文参考訳（メタデータ） (2023-09-11T16:25:48Z)
The Compatibility between the Pangu Weather Forecasting Model and Meteorological Operational Data [22.582123955476064]
一般に用いられているNWP操作解析とPangu-Weatherモデルとの整合性を評価する。我々は,パング・ウィーザーモデルの予測性能向上にグローバル・ローカル・初期条件の品質向上が寄与することが確認された。
論文参考訳（メタデータ） (2023-08-07T23:10:32Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)

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。