論文の概要: EPT-2 Technical Report

• arxiv url: http://arxiv.org/abs/2507.09703v1
• Date: Sun, 13 Jul 2025 16:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.854921
• Title: EPT-2 Technical Report
• Title（参考訳）: EPT-2技術報告
• Authors: Roberto Molinaro, Niall Siegenheim, Niels Poulsen, Jordan Dane Daubinet, Henry Martin, Mark Frey, Kevin Thiart, Alexander Jakob Dautel, Andreas Schlueter, Alex Grigoryev, Bogdan Danciu, Nikoo Ekhtiari, Bas Steunebrink, Leonie Wagner, Marvin Vincent Gabler,
• Abstract要約: EPT-2は、地球系予測のための基礎AIモデルの地球物理変換器シリーズの最新版である。 Microsoft Auroraのような主要なAI天気モデルと、運用数値予測システムであるIFS HRESを一貫して上回っている。 同時に、確率予測のためのETT-2の摂動に基づくアンサンブルモデル、EPT-2eを導入する。
• 参考スコア（独自算出の注目度）: 30.496955543691026
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present EPT-2, the latest iteration in our Earth Physics Transformer (EPT) family of foundation AI models for Earth system forecasting. EPT-2 delivers substantial improvements over its predecessor, EPT-1.5, and sets a new state of the art in predicting energy-relevant variables-including 10m and 100m wind speed, 2m temperature, and surface solar radiation-across the full 0-240h forecast horizon. It consistently outperforms leading AI weather models such as Microsoft Aurora, as well as the operational numerical forecast system IFS HRES from the European Centre for Medium-Range Weather Forecasts (ECMWF). In parallel, we introduce a perturbation-based ensemble model of EPT-2 for probabilistic forecasting, called EPT-2e. Remarkably, EPT-2e significantly surpasses the ECMWF ENS mean-long considered the gold standard for medium- to longrange forecasting-while operating at a fraction of the computational cost. EPT models, as well as third-party forecasts, are accessible via the app.jua.ai platform.
• Abstract（参考訳）: EPT-2は、地球系予測のための基礎AIモデルのEarth Physics Transformer(EPT)ファミリーの最新版である。 EPT-2は先代であるEPT-1.5よりも大幅に改善され、風速10m、風速100m、温度2m、全0-240hの予測地平線を横切る表面太陽放射を含むエネルギー関連変数を予測できる新しい最先端技術が設定された。 Microsoft Auroraのような主要なAI天気モデルと、欧州中距離気象予報センター(ECMWF)の運用数値予測システムIFS HRESを一貫して上回っている。 同時に、確率予測のためのETT-2の摂動に基づくアンサンブルモデル、EPT-2eを導入する。 注目すべきは、ETT-2eは計算コストのごく一部で中から長距離の予測処理を行うための金の標準として考慮されたECMWF ENS平均長をはるかに上回っていることである。 EPTモデルとサードパーティの予測はapp.jua.aiプラットフォーム経由でアクセス可能である。

関連論文リスト

• OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
  OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。 RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:46:50Z)
• 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)
• EPT-1.5 Technical Report [31.466883373381165]
  EPT-1.5は、特に10mと100mの風速と太陽放射のエネルギー関連変数を予測する際、顕著な性能を示す。 特に風速予測では、GraphCast、FuXi、Pangu-Weatherといった既存のAI天気モデルを上回っている。
  論文  参考訳（メタデータ） (2024-10-19T11:44:04Z)
• 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)
• Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
  モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。 その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。 全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
  論文  参考訳（メタデータ） (2024-02-08T11:00:51Z)
• 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)
• A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific [24.287588853356972]
  2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。 風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
  論文  参考訳（メタデータ） (2022-12-29T02:58:12Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• 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。