論文の概要: Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting

• arxiv url: http://arxiv.org/abs/2506.08049v2
• Date: Wed, 11 Jun 2025 10:52:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 23:41:16.733405
• Title: Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting
• Title（参考訳）: 物理インフォームド・テレコネクション・アウェア変換器による大域的サブセゾン・ツー・シーソン予測
• Authors: Tengfei Lyu, Weijia Zhang, Hao Liu,
• Abstract要約: S2S (Subseasonal-to-seasonal) 予測は、大気系のカオス力学による重要な課題である。 我々はTelePiTを紹介した。TelePiTは、多スケール物理とテレコネクション認識を融合することで、グローバルなS2S予測を強化する新しいディープラーニングアーキテクチャである。
• 参考スコア（独自算出の注目度）: 9.604302577187788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subseasonal-to-seasonal (S2S) forecasting, which predicts climate conditions from several weeks to months in advance, presents significant challenges due to the chaotic dynamics of atmospheric systems and complex interactions across multiple scales. Current approaches often fail to explicitly model underlying physical processes and teleconnections that are crucial at S2S timescales. We introduce TelePiT, a novel deep learning architecture that enhances global S2S forecasting through integrated multi-scale physics and teleconnection awareness. Our approach consists of three key components: (1) Spherical Harmonic Embedding, which accurately encodes global atmospheric variables onto spherical geometry; (2) Multi-Scale Physics-Informed Neural ODE, which explicitly captures atmospheric physical processes across multiple learnable frequency bands; (3) Teleconnection-Aware Transformer, which models critical global climate interactions through tactfully injecting teleconnection patterns into the self-attention. Extensive experiments demonstrate that TelePiT significantly outperforms state-of-the-art data-driven baselines and operational numerical weather prediction systems, with remarkable improvements for atmospheric variables including a 57.7% reduction in RMSE for 2-meter temperature compared to previous best models.
• Abstract（参考訳）: S2S(Subseasonal-to-seasonal)予測は、大気系のカオス力学と複数のスケールにわたる複雑な相互作用によって大きな課題を生じさせる。 現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。 我々はTelePiTを紹介した。TelePiTは、多スケール物理とテレコネクション認識を統合して、グローバルなS2S予測を強化する新しいディープラーニングアーキテクチャである。 提案手法は,(1)大域大気変数を球形形状に正確にエンコードする球状高調波埋め込み,(2)複数の学習可能な周波数帯域にわたる大気物理過程を明示的に捉えるマルチスケール物理インフォームドニューラルODE,(3)テレコネクション・アウェア・トランスフォーマ,(3)テレコネクト・アウェア・トランスフォーマの3つの重要な構成要素から構成される。 広範囲な実験により、TelePiTは最先端のデータ駆動ベースラインと運用上の数値天気予報システムを大幅に上回っており、大気変数に顕著な改善が見られ、2mの温度でRMSEを57.7%削減した。

関連論文リスト

• A machine learning model for skillful climate system prediction [12.912679599908984]
  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。
  論文  参考訳（メタデータ） (2025-05-06T03:06:14Z)
• A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
  気象学における多くの問題は、AIモデルを使って解決できる。 データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。 本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-19T04:31:35Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
  最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
  論文  参考訳（メタデータ） (2021-03-17T16:10:06Z)

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。