論文の概要: Skillful joint probabilistic weather forecasting from marginals

• arxiv url: http://arxiv.org/abs/2506.10772v1
• Date: Thu, 12 Jun 2025 14:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.792309
• Title: Skillful joint probabilistic weather forecasting from marginals
• Title（参考訳）: 辺縁部から予測される熟練した共同確率的気象
• Authors: Ferran Alet, Ilan Price, Andrew El-Kadi, Dominic Masters, Stratis Markou, Tom R. Andersson, Jacklynn Stott, Remi Lam, Matthew Willson, Alvaro Sanchez-Gonzalez, Peter Battaglia,
• Abstract要約: 本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
• 参考スコア（独自算出の注目度）: 11.348323146521931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML)-based weather models have rapidly risen to prominence due to their greater accuracy and speed than traditional forecasts based on numerical weather prediction (NWP), recently outperforming traditional ensembles in global probabilistic weather forecasting. This paper presents FGN, a simple, scalable and flexible modeling approach which significantly outperforms the current state-of-the-art models. FGN generates ensembles via learned model-perturbations with an ensemble of appropriately constrained models. It is trained directly to minimize the continuous rank probability score (CRPS) of per-location forecasts. It produces state-of-the-art ensemble forecasts as measured by a range of deterministic and probabilistic metrics, makes skillful ensemble tropical cyclone track predictions, and captures joint spatial structure despite being trained only on marginals.
• Abstract（参考訳）: 機械学習(ML)ベースの天気モデルは、数値天気予報(NWP)に基づく従来の予測よりも精度と速度が高かったため、急速に有名になった。 本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 FGNは、適切に制約されたモデルのアンサンブルで学習されたモデル摂動を通してアンサンブルを生成する。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 様々な決定論的および確率論的指標によって測定された最先端のアンサンブル予測を生成し、熟練したアンサンブル熱帯サイクロントラック予測を行い、限界にのみ訓練されているにもかかわらず、共同空間構造を捉えている。

関連論文リスト

• Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
  本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。 このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
  論文  参考訳（メタデータ） (2024-06-07T09:01:25Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。