論文の概要: Discovering Spatial Correlations between Earth Observations in Global Atmospheric State Estimation by using Adaptive Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2508.07659v1
• Date: Mon, 11 Aug 2025 06:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.969569
• Title: Discovering Spatial Correlations between Earth Observations in Global Atmospheric State Estimation by using Adaptive Graph Structure Learning
• Title（参考訳）: 適応グラフ構造学習による大域大気状態推定における地球観測の空間的相関の解明
• Authors: Hyeon-Ju Jeon, Jeon-Ho Kang, In-Hyuk Kwon, O-Joun Lee,
• Abstract要約: 本研究では,地球観測と大気状態の空間的相関を見極め,大気状態推定の予測精度を向上させることを目的とする。 時間グラフニューラルネットワーク(STGNN)と構造学習を用いて複雑な相関を処理し,動的に変化する。 本研究では,東アジアの実際の大気状態と観測データを用いて,提案手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 1.7410069559220338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study aims to discover spatial correlations between Earth observations and atmospheric states to improve the forecasting accuracy of global atmospheric state estimation, which are usually conducted using conventional numerical weather prediction (NWP) systems and is the beginning of weather forecasting. NWP systems predict future atmospheric states at fixed locations, which are called NWP grid points, by analyzing previous atmospheric states and newly acquired Earth observations without fixed locations. Thus, surrounding meteorological context and the changing locations of the observations make spatial correlations between atmospheric states and observations over time. To handle complicated spatial correlations, which change dynamically, we employ spatiotemporal graph neural networks (STGNNs) with structure learning. However, structure learning has an inherent limitation that this can cause structural information loss and over-smoothing problem by generating excessive edges. To solve this problem, we regulate edge sampling by adaptively determining node degrees and considering the spatial distances between NWP grid points and observations. We validated the effectiveness of the proposed method by using real-world atmospheric state and observation data from East Asia. Even in areas with high atmospheric variability, the proposed method outperformed existing STGNN models with and without structure learning.
• Abstract（参考訳）: 本研究の目的は,地球観測と大気状態の空間的相関を見極め,従来の数値天気予報(NWP)システムを用いて行う地球大気状態推定の予測精度を向上することである。 NWPシステムは、NWPグリッドポイントと呼ばれる固定位置の将来の大気状態を、以前の大気状態を分析し、固定位置なしで新たに取得した地球観測によって予測する。 したがって、周囲の気象状況と観測場所の変化は、時とともに大気の状態と観測との空間的相関を成す。 動的に変化する複雑な空間相関に対処するために、時空間グラフニューラルネットワーク(STGNN)と構造学習を用いる。 しかし、構造学習には、過剰なエッジを生成することによって構造情報の損失や過度なスムーシング問題を引き起こす可能性があるという固有の制限がある。 この問題を解決するため,ノード度を適応的に決定し,NWPグリッド点と観測点の間の空間距離を考慮し,エッジサンプリングを規制する。 本研究では,東アジアの実際の大気状態と観測データを用いて,提案手法の有効性を検証した。 大気の変動性が高い地域においても,提案手法は既存のSTGNNモデルに対して,構造学習や非構造学習よりも優れていた。

関連論文リスト

• Satellite Observations Guided Diffusion Model for Accurate Meteorological States at Arbitrary Resolution [48.34051432429767]
  衛星観測(GridSat)を条件として,ERA5再解析データに基づいて事前学習した条件拡散モデルを提案する。 トレーニングの過程で,GridSat衛星観測から得られた情報を注意機構を介してERA5マップに融合することを提案する。 サンプリングでは、最適化可能な畳み込みカーネルを用いて、スケールアッププロセスをシミュレートした。
  論文  参考訳（メタデータ） (2025-02-09T02:05:33Z)
• Kolmogorov Arnold Neural Interpolator for Downscaling and Correcting Meteorological Fields from In-Situ Observations [32.5581352874406]
  我々は,気象場表現を連続神経関数として再定義するフレームワークであるKolmogorov Arnold Neural Interpolator (KANI)を提案する。 カニは大気状態の本質的な連続性を捉え、希薄なその場観測を利用してこれらのバイアスを体系的に補正する。 実験の結果, 風速は40.28%, 風速は67.41%, 精度は40.28%向上した。
  論文  参考訳（メタデータ） (2025-01-24T11:18:19Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Explainable Graph Neural Networks for Observation Impact Analysis in Atmospheric State Estimation [1.7410069559220338]
  観測点と数値気象予報点を気象グラフに統合し,NWP点を中心とした$k$-hopのサブグラフを抽出する。 自己監督型GNNは、これらの$k$-hop radii内のデータを集約することで大気状態を推定するために使用される。 本研究は、推定過程における異なる観測の意義を定量化するために、勾配に基づく説明可能性法を適用した。
  論文  参考訳（メタデータ） (2024-03-26T05:10:47Z)
• CloudNine: Analyzing Meteorological Observation Impact on Weather Prediction Using Explainable Graph Neural Networks [1.9019250262578853]
  CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする 本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
  論文  参考訳（メタデータ） (2024-02-21T01:29:17Z)
• 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)
• WeatherGNN: Exploiting Meteo- and Spatial-Dependencies for Local Numerical Weather Prediction Bias-Correction [11.10401300641113]
  本研究では,気象的依存関係と空間的依存関係を利用した局所的なNWPバイアス補正手法であるWeatherGNNを提案する。 2つの実世界のデータセットに対する実験結果から、WeatherGNNは最先端のパフォーマンスを達成し、RMSEの平均4.75%で最高のベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-10-09T08:33:19Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• 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)

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。