論文の概要: HRRRCast: a data-driven emulator for regional weather forecasting at convection allowing scales

• arxiv url: http://arxiv.org/abs/2507.05658v1
• Date: Tue, 08 Jul 2025 04:26:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.560524
• Title: HRRRCast: a data-driven emulator for regional weather forecasting at convection allowing scales
• Title（参考訳）: HRRRCast:対流による地域気象予報用データ駆動エミュレータ
• Authors: Daniel Abdi, Isidora Jankov, Paul Madden, Vanderlei Vargas, Timothy A. Smith, Sergey Frolov, Montgomery Flora, Corey Potvin,
• Abstract要約: 我々は、高度な機械学習技術で構築されたデータ駆動エミュレータであるHRRRCastを紹介する。 ResHRRRはResNetベースモデル(ResHRRR)であり、Graph Neural Networkベースモデル(GraphHRRR)である。 ResHRRRは降水閾値(20dBZ)でHRRR予測を上回っ、適度な閾値(30dBZ)で競争性能を達成する
• 参考スコア（独自算出の注目度）: 1.3834027455392646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The High-Resolution Rapid Refresh (HRRR) model is a convection-allowing model used in operational weather forecasting across the contiguous United States (CONUS). To provide a computationally efficient alternative, we introduce HRRRCast, a data-driven emulator built with advanced machine learning techniques. HRRRCast includes two architectures: a ResNet-based model (ResHRRR) and a Graph Neural Network-based model (GraphHRRR). ResHRRR uses convolutional neural networks enhanced with squeeze-and-excitation blocks and Feature-wise Linear Modulation, and supports probabilistic forecasting via the Denoising Diffusion Implicit Model (DDIM). To better handle longer lead times, we train a single model to predict multiple lead times (1h, 3h, and 6h), then use a greedy rollout strategy during inference. When evaluated on composite reflectivity over the full CONUS domain using ensembles of 3 to 10 members, ResHRRR outperforms HRRR forecast at light rainfall threshold (20 dBZ) and achieves competitive performance at moderate thresholds (30 dBZ). Our work advances the StormCast model of Pathak et al. [21] by: a) training on the full CONUS domain, b) using multiple lead times to improve long-range skill, c) training on analysis data instead of the +1h post-analysis data inadvertently used in StormCast, and d) incorporating future GFS states as inputs, enabling downscaling that improves long-lead accuracy. Grid-, neighborhood-, and object-based metrics confirm better storm placement, lower frequency bias, and higher success ratios than HRRR. HRRRCast ensemble forecasts also maintain sharper spatial detail, with power spectra more closely matching HRRR analysis. While GraphHRRR underperforms in its current form, it lays groundwork for future graph-based forecasting. HRRRCast represents a step toward efficient, data-driven regional weather prediction with competitive accuracy and ensemble capability.
• Abstract（参考訳）: HRRRモデル(High-Resolution Rapid Refresh Model)は、アメリカ合衆国大陸横断の気象予報に使用される対流許容モデルである。 高度な機械学習技術で構築されたデータ駆動エミュレータであるHRRRCastを導入する。 HRRRCastにはResNetベースモデル(ResHRRR)とGraph Neural Networkベースモデル(GraphHRRR)の2つのアーキテクチャが含まれている。 ResHRRRは、圧縮励磁ブロックとフィーチャーワイド線形変調で強化された畳み込みニューラルネットワークを使用し、Denoising Diffusion Implicit Model (DDIM)を介して確率予測をサポートする。 より長いリードタイムを扱うために、1つのモデルをトレーニングして、複数のリードタイム(1h、3h、6h)を予測し、推論中にgreedyのロールアウト戦略を使用します。 3点から10点のアンサンブルを用いて完全なCONUS領域の反射率を評価すると、ResHRRRは降水閾値(20dBZ)でHRRR予測を上回り、適度な閾値(30dBZ)で競争性能を達成する。 私たちの研究は、PathakらのStormCastモデル[21]を次のように進めています。 a) 完全なCONUSドメインのトレーニング ロ 複数のリードタイムを使用して長距離スキルを向上させること。 c) StormCastで不注意に使用される+1h後分析データの代わりに分析データのトレーニング d) 将来のGFS状態を入力として組み込むことにより、長期リード精度を向上させるダウンスケーリングを可能にする。 グリッド, 近傍, オブジェクトベースの測定では, HRRRよりもストーム配置, 周波数バイアス, 成功率が高いことが確認された。 HRRRCastのアンサンブル予測は、よりシャープな空間的詳細も維持し、パワースペクトルはHRRR分析とより密に一致する。 GraphHRRRは現在の形式では性能が劣っているが、将来のグラフベースの予測の基盤となっている。 HRRRCastは、競争精度とアンサンブル能力を備えた効率的でデータ駆動型の地域天気予報への一歩である。

関連論文リスト

• LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
  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。
  論文  参考訳（メタデータ） (2025-06-10T19:17:14Z)
• BLAST: Balanced Sampling Time Series Corpus for Universal Forecasting Models [47.66064662912721]
  本稿では,バランスの取れたサンプリング戦略を通じて,データの多様性を高めるための新しい事前学習コーパスを提案する。 BLTは、公開データセットからの321億の観測を取り入れ、時系列パターンを特徴付けるために、包括的な統計メトリクススイートを使用している。 本研究は, 予測タスクにおけるトレーニング効率とモデル性能の両面において, データの多様性が重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2025-05-23T13:20:47Z)
• Empirical Comparison of Lightweight Forecasting Models for Seasonal and Non-Seasonal Time Series [1.9799527196428246]
  本研究では,ポリノミアルと放射基底ネットワーク(RBFNN)の実証比較を行った。 モデル性能は,平均絶対誤差,ルート平均正方形誤差,ルート平均正方形誤差の係数関数を用いて予測精度と計算時間を用いて評価する。 その結果, RBFNNは季節パターンの精度が向上するのに対し, 非季節系列ではPCの方が精度が高く, 予測速度も速いことが示唆された。
  論文  参考訳（メタデータ） (2025-05-02T10:12:23Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Generalized Transformer-based Radio Link Failure Prediction Framework in 5G RANs [2.519319150166215]
  本稿では,グラフニューラルネットワーク(GNN)に基づく学習可能な気象効果集約モジュールを導入した新しいRLF予測フレームワークであるGenTrapを提案する。 我々は、GenTrapを260万のデータポイントを持つ2つの実世界のデータセットで評価し、GenTrapがF1スコア(農村では0.93、都市では0.79)を、そのデータセットよりもはるかに高く提供していることを示す。
  論文  参考訳（メタデータ） (2024-07-06T21:57:23Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。