論文の概要: CNN-based Surface Temperature Forecasts with Ensemble Numerical Weather Prediction over Medium-range Forecast Periods
- arxiv url: http://arxiv.org/abs/2507.18937v1
- Date: Fri, 25 Jul 2025 04:19:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.816046
- Title: CNN-based Surface Temperature Forecasts with Ensemble Numerical Weather Prediction over Medium-range Forecast Periods
- Title（参考訳）: 中距離予測期間における数値気象予測を組み込んだCNNによる表面温度予測
- Authors: Takuya Inoue, Takuya Kawabata,
- Abstract要約: 本研究では,畳み込みニューラルネットワーク(CNN)とアンサンブル数値気象予測(NWP)モデルを統合する手法を提案する。
提案手法はまず,各アンサンブル部材のCNNによる後処理により,系統的な誤りを低減させる。
第二に、CNN修正メンバーのアンサンブル平均化によるランダムエラーを低減する。
- 参考スコア（独自算出の注目度）: 0.3683202928838613
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study proposes a method that integrates convolutional neural networks (CNNs) with ensemble numerical weather prediction (NWP) models, enabling surface temperature forecasting at lead times beyond the short-range (five-day) forecast period. Owing to limited computational resources, operational medium-range temperature forecasts typically rely on low-resolution NWP models, which are prone to systematic and random errors. To resolve these limitations, the proposed method first reduces systematic errors through CNN-based post-processing (bias correction and spatial super-resolution) on each ensemble member, reconstructing high-resolution temperature fields from low-resolution model outputs. Second, it reduces random errors through ensemble averaging of the CNN-corrected members. This study also investigates whether the sequence of CNN correction and ensemble averaging affects the forecast accuracy. For comparison with the proposed method, we additionally conducted experiments with the CNN trained on ensemble-averaged forecasts. The first approach--CNN correction before ensemble averaging--consistently achieved higher accuracy than the reverse approach. Although based on low-resolution ensemble forecasts, the proposed method notably outperformed the high-resolution deterministic NWP models. These findings indicate that combining CNN-based correction with ensemble averaging effectively reduces both the systematic and random errors in NWP model outputs. The proposed approach is a practical and scalable solution for improving medium-range temperature forecasts, and is particularly valuable at operational centers with limited computational resources.
- Abstract（参考訳）: 本研究では,畳み込みニューラルネットワーク(CNN)とアンサンブル数値気象予測(NWP)モデルを統合する手法を提案する。
計算資源が限られているため、運用中距離温度予測は典型的には低解像度のNWPモデルに依存する。
これらの制限を解決するために,提案手法はまず,各アンサンブル部材のCNNベースの後処理(バイアス補正と空間超解像)により,低分解能モデル出力から高分解能温度場を再構成する。
第二に、CNN修正メンバーのアンサンブル平均化によるランダムエラーを低減する。
また,CNN補正とアンサンブル平均化の順序が予測精度に与える影響についても検討した。
提案手法と比較するために, アンサンブル平均予測に基づいて訓練したCNNを用いて実験を行った。
最初のアプローチ - アンサンブル平均化前のCNN補正 - は、逆アプローチよりも高い精度を実現した。
低分解能アンサンブル予測に基づいているが,提案手法は高分解能決定論的NWPモデルよりも優れていた。
これらの結果は,CNNに基づく補正とアンサンブル平均化を組み合わせることで,NWPモデル出力の系統的およびランダムな誤差を効果的に低減できることを示唆している。
提案手法は、中距離温度予測を改善するための実用的でスケーラブルなソリューションであり、計算資源が限られている運用センターでは特に有用である。
関連論文リスト
- Physics-Informed Neural Network Surrogate Models for River Stage Prediction [0.0]
PINNは、単一河川での訓練において、HEC-RAS数値解をうまく近似することができる。
モデルの性能を精度と計算速度の観点から評価する。
論文 参考訳（メタデータ） (2025-03-21T04:48:22Z) - GAS-Norm: Score-Driven Adaptive Normalization for Non-Stationary Time Series Forecasting in Deep Learning [1.642449952957482]
入力データの平均値と分散値の変化がディープニューラルネットワーク(DNN)の予測能力をいかに破壊するかを示す。
本稿では,GAS(Generalized Autoregressive Score)モデルとDeep Neural Networkを組み合わせた適応時系列正規化と予測の新しい手法であるGAS-Normを紹介する。
その結果,GAS-Normと組み合わせた場合,25項目中21項目の予測モデルでは,他の正規化手法と比較して精度が向上した。
論文 参考訳（メタデータ） (2024-10-04T21:26:12Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳（メタデータ） (2023-10-24T22:59:56Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳（メタデータ） (2023-03-28T20:48:01Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned
Distribution Perturbation [16.540748935603723]
本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。
SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
論文 参考訳（メタデータ） (2022-05-26T05:11:58Z)
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。