論文の概要: Enhanced predictions of the Madden-Julian oscillation using the FuXi-S2S machine learning model: Insights into physical mechanisms

• arxiv url: http://arxiv.org/abs/2508.16041v1
• Date: Fri, 22 Aug 2025 02:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.227343
• Title: Enhanced predictions of the Madden-Julian oscillation using the FuXi-S2S machine learning model: Insights into physical mechanisms
• Title（参考訳）: FuXi-S2S機械学習モデルによるマデン・ジュリア振動の高次予測:物理機構の考察
• Authors: Can Cao, Xiaohui Zhong, Lei Chen, Zhiwei Wua, Hao Li,
• Abstract要約: マドデン・ジュリア振動(MJO)は、季節内時間スケールにおける熱帯の大気変動の主要なモードである。 本研究では, 冬期におけるFuXiサブシーズン・ツー・シーズンMLモデル(S2S)のMJO予測性能について検討した。
• 参考スコア（独自算出の注目度）: 8.415951270526572
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Madden-Julian Oscillation (MJO) is the dominant mode of tropical atmospheric variability on intraseasonal timescales, and reliable MJO predictions are essential for protecting lives and mitigating impacts on societal assets. However, numerical models still fall short of achieving the theoretical predictability limit for the MJO due to inherent constraints. In an effort to extend the skillful prediction window for the MJO, machine learning (ML) techniques have gained increasing attention. This study examines the MJO prediction performance of the FuXi subseasonal-to-seasonal (S2S) ML model during boreal winter, comparing it with the European Centre for Medium- Range Weather Forecasts S2S model. Results indicate that for the initial strong MJO phase 3, the FuXi-S2S model demonstrates reduced biases in intraseasonal outgoing longwave radiation anomalies averaged over the tropical western Pacific (WP) region during days 15-20, with the convective center located over this area. Analysis of multiscale interactions related to moisture transport suggests that improvements could be attributed to the FuXi-S2S model's more accurate prediction of the area-averaged meridional gradient of low-frequency background moisture over the tropical WP. These findings not only explain the enhanced predictive capability of the FuXi-S2S model but also highlight the potential of ML approaches in advancing the MJO forecasting.
• Abstract（参考訳）: マデン・ジュリア振動(MJO)は、季節内時間スケールにおける熱帯大気変動の主要なモードであり、信頼性の高いMJO予測は生命の保護と社会資産への影響軽減に不可欠である。 しかし、数値モデルは、固有の制約のため、MJOの理論的予測可能性限界を達成するには至っていない。 MJOの熟練した予測窓を拡張するため、機械学習(ML)技術が注目されている。 本研究では,中距離気象予報S2Sモデルと比較し,冬期におけるFuXiサブシーズン・ツー・シーズンMLモデルのMJO予測性能について検討した。 その結果,最初の強いMJO相3では,FuXi-S2Sモデルが15～20日目に熱帯西太平洋(WP)地域で平均された季節内長波放射異常のバイアスを減少させ,対流中心をその上に配置していることが示唆された。 湿気輸送に関するマルチスケール相互作用の解析から,FXi-S2Sモデルによる低周波背景湿気の地域平均緯度勾配のより正確な予測による改善が示唆された。 これらの結果は,FuXi-S2Sモデルの予測能力の向上だけでなく,MJO予測の進展におけるMLアプローチの可能性も浮き彫りにしている。

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)
• FuXi-2.0: Advancing machine learning weather forecasting model for practical applications [11.50902060124504]
  FuXi-2.0は先進的な機械学習モデルであり、1時間の世界的な天気予報を配信し、気象変数の包括的なセットを含む。 FuXi-2.0は、風力や太陽エネルギー、航空、海運などに関連する重要な気象変数を予測するために、ECMWF HRESを一貫して上回っている。 FuXi-2.0 は大気と海洋の両方を統合しており、大気と海洋を結合したモデルの開発において大きな前進を示している。
  論文  参考訳（メタデータ） (2024-09-11T11:21:00Z)
• 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)
• FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models [13.852128658186876]
  FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、グローバルな日平均予測を最大42日間提供する機械学習モデルである。 ECMWF ERA5の再分析データから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルを上回っている。
  論文  参考訳（メタデータ） (2023-12-15T16:31:44Z)
• 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)
• Learning and Dynamical Models for Sub-seasonal Climate Forecasting: Comparison and Collaboration [20.52175766498954]
  サブシーズン気候予報(サブシーズン気候予報、Sub-seasonal climate forecasting、SSF)は、2週間から2ヶ月の時間地平線における気温や降水などの重要な気候変数の予測である。 近年の研究では、機械学習モデル(ML)がSSFを前進させる可能性を示している。
  論文  参考訳（メタデータ） (2021-09-29T06:34:34Z)

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。