論文の概要: AI-Informed Model Analogs for Subseasonal-to-Seasonal Prediction

• arxiv url: http://arxiv.org/abs/2506.14022v1
• Date: Mon, 16 Jun 2025 21:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.254689
• Title: AI-Informed Model Analogs for Subseasonal-to-Seasonal Prediction
• Title（参考訳）: サブセゾン・ツー・シーソン予測のためのAIインフォームドモデルアナログ
• Authors: Jacob B. Landsberg, Elizabeth A. Barnes, Matthew Newman,
• Abstract要約: 季節と季節の予測は公衆衛生、災害に備え、農業に不可欠である。 我々は、S2S予測を改善するための解釈可能なAIインフォームドモデルアナログ予測手法について検討する。
• 参考スコア（独自算出の注目度）: 0.892687530394847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subseasonal-to-seasonal forecasting is crucial for public health, disaster preparedness, and agriculture, and yet it remains a particularly challenging timescale to predict. We explore the use of an interpretable AI-informed model analog forecasting approach, previously employed on longer timescales, to improve S2S predictions. Using an artificial neural network, we learn a mask of weights to optimize analog selection and showcase its versatility across three varied prediction tasks: 1) classification of Week 3-4 Southern California summer temperatures; 2) regional regression of Month 1 midwestern U.S. summer temperatures; and 3) classification of Month 1-2 North Atlantic wintertime upper atmospheric winds. The AI-informed analogs outperform traditional analog forecasting approaches, as well as climatology and persistence baselines, for deterministic and probabilistic skill metrics on both climate model and reanalysis data. We find the analog ensembles built using the AI-informed approach also produce better predictions of temperature extremes and improve representation of forecast uncertainty. Finally, by using an interpretable-AI framework, we analyze the learned masks of weights to better understand S2S sources of predictability.
• Abstract（参考訳）: 季節と季節の予測は公衆衛生、災害の準備、農業に不可欠であるが、予測する上で特に困難な時期である。 本稿では,S2S予測を改善するために,従来より長い時間スケールで使用されていた解釈可能なAIインフォームドモデルアナログ予測手法について検討する。 ニューラルネットワークを用いて、重みのマスクを学習し、アナログ選択を最適化し、3つの異なる予測タスクでその汎用性を示す。 1)南カリフォルニアの夏季のウィーク3-4の分類。 2)米国中西部の夏期の月1の地域レグレッション,及び 3)北大西洋冬季の上層大気風の分類 AIインフォームドアナログは、気候モデルと再分析データの両方に関する決定論的および確率論的スキルメトリクスのために、従来のアナログ予測アプローチ、気候学と持続的ベースラインを上回ります。 AIインフォームドアプローチを用いて構築されたアナログアンサンブルは、温度極端の予測をより良くし、予測の不確実性の表現を改善する。 最後に、解釈可能なAIフレームワークを用いて、学習した重みのマスクを分析し、予測可能性のS2Sソースをよりよく理解する。

関連論文リスト

• Deep Learning Meets Teleconnections: Improving S2S Predictions for European Winter Weather [2.3440344026824125]
  季節と季節の時間スケールの予測は2週間から2ヶ月である。 成層圏極渦(SPV)やマデン=ジュリア振動(MJO)のようなテレコネクションは、予測可能性を高める窓を提供する。 我々は、北大西洋-欧州の気象状況を予測するためのディープラーニングアーキテクチャを開発し、評価した。
  論文  参考訳（メタデータ） (2025-04-10T10:23:07Z)
• Multi-Year-to-Decadal Temperature Prediction using a Machine Learning Model-Analog Framework [0.9096537342780928]
  複数年ごとの気候予測は、潜在的な地域や地球規模の気候の将来を理解する上で重要なツールである。 本稿では,機械学習とアナログ予測を組み合わせて,これらの時間スケールの予測を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-24T19:07:39Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts [0.0]
  本稿では,ディープラーニングとモデル・アナログ予測を統合した解釈可能なモデル・アナログを提案する。 我々は,地域地球系モデルバージョン2大アンサンブルを用いて,季節ごとの時間スケールでエルニーニョ南部振動(ENSO)を予測する。 その結果,赤道太平洋海面温度異常の予測は9～12ヶ月で10%改善した。
  論文  参考訳（メタデータ） (2024-04-23T18:10:18Z)
• 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)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。