論文の概要: LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting

• arxiv url: http://arxiv.org/abs/2506.09193v1
• Date: Tue, 10 Jun 2025 19:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:01.96878
• Title: LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting
• Title（参考訳）: LaDCast:中距離アンサンブル気象予報のための潜時拡散モデル
• Authors: Yilin Zhuang, Karthik Duraisamy,
• Abstract要約: 我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。 LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。 LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
• 参考スコア（独自算出の注目度）: 1.2277343096128712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate probabilistic weather forecasting demands both high accuracy and efficient uncertainty quantification, challenges that overburden both ensemble numerical weather prediction (NWP) and recent machine-learning methods. We introduce LaDCast, the first global latent-diffusion framework for medium-range ensemble forecasting, which generates hourly ensemble forecasts entirely in a learned latent space. An autoencoder compresses high-dimensional ERA5 reanalysis fields into a compact representation, and a transformer-based diffusion model produces sequential latent updates with arbitrary hour initialization. The model incorporates Geometric Rotary Position Embedding (GeoRoPE) to account for the Earth's spherical geometry, a dual-stream attention mechanism for efficient conditioning, and sinusoidal temporal embeddings to capture seasonal patterns. LaDCast achieves deterministic and probabilistic skill close to that of the European Centre for Medium-Range Forecast IFS-ENS, without any explicit perturbations. Notably, LaDCast demonstrates superior performance in tracking rare extreme events such as cyclones, capturing their trajectories more accurately than established models. By operating in latent space, LaDCast reduces storage and compute by orders of magnitude, demonstrating a practical path toward forecasting at kilometer-scale resolution in real time. We open-source our code and models and provide the training and evaluation pipelines at: https://github.com/tonyzyl/ladcast.
• Abstract（参考訳）: 正確な確率的天気予報には、高精度かつ効率的な不確実性定量化と、アンサンブル数値天気予報(NWP)と最近の機械学習手法の両方を過大評価する課題が要求される。 我々は,中距離アンサンブル予測のための最初のグローバルな潜在拡散フレームワークであるLaDCastを紹介した。 オートエンコーダは、高次元ERA5再解析フィールドをコンパクトな表現に圧縮し、トランスフォーマーベースの拡散モデルは任意の時間初期化で逐次潜時更新を生成する。 このモデルには、地球の球面形状を考慮に入れた幾何学的回転位置埋め込み(GeoRoPE)、効率的な条件付けのための二重ストリームの注意機構、季節パターンを捉えるための正弦波の時間埋め込みが組み込まれている。 LaDCastは、決定論的および確率論的スキルを、明示的な摂動を伴わずに、欧州中距離予測FS-ENSのそれに近いものに達成している。 特に、LaDCastはサイクロンのような稀な極端な事象の追跡において優れた性能を示し、既存のモデルよりも正確に軌道を捉えている。 LaDCastは遅延空間を運用することにより、ストレージと計算を桁違いに削減し、キロスケールの解像度でリアルタイムに予測する実用的な方法を示す。 私たちはコードとモデルをオープンソースとして公開し、トレーニングと評価のパイプラインを次のように提供しています。

関連論文リスト

• CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification [23.605859261510407]
  従来のアンサンブルの数値天気予報は計算集約的である。 既存の機械学習ベースの天気予報アプローチは効率的で正確である。 正確なグローバル気象予測を生成する条件拡散モデルであるCoDiCastを提案する。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• 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)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)

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。