論文の概要: MedFormer: a data-driven model for forecasting the Mediterranean Sea

• arxiv url: http://arxiv.org/abs/2509.00015v1
• Date: Sat, 16 Aug 2025 09:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.24238
• Title: MedFormer: a data-driven model for forecasting the Mediterranean Sea
• Title（参考訳）: MedFormer: 地中海を予測するためのデータ駆動モデル
• Authors: Italo Epicoco, Davide Donno, Gabriele Accarino, Simone Norberti, Alessandro Grandi, Michele Giurato, Ronan McAdam, Donatello Elia, Emanuela Clementi, Paola Nassisi, Enrico Scoccimarro, Giovanni Coppini, Silvio Gualdi, Giovanni Aloisio, Simona Masina, Giulio Boccaletti, Antonio Navarra,
• Abstract要約: 我々は地中海における中距離海洋予測のための完全データ駆動深層学習モデルであるMedFormerを紹介する。 このモデルは、20年間の毎日の海洋再分析データに基づいて訓練され、高解像度の運用分析で微調整される。 我々は,ヨーロッパ・地中海気候変動センターで開発された,最先端の地中海予報システム(MedFS)に対するMedFormerのベンチマークを行った。
• 参考スコア（独自算出の注目度）: 26.196897593411332
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate ocean forecasting is essential for supporting a wide range of marine applications. Recent advances in artificial intelligence have highlighted the potential of data-driven models to outperform traditional numerical approaches, particularly in atmospheric weather forecasting. However, extending these methods to ocean systems remains challenging due to their inherently slower dynamics and complex boundary conditions. In this work, we present MedFormer, a fully data-driven deep learning model specifically designed for medium-range ocean forecasting in the Mediterranean Sea. MedFormer is based on a U-Net architecture augmented with 3D attention mechanisms and operates at a high horizontal resolution of 1/24{\deg}. The model is trained on 20 years of daily ocean reanalysis data and fine-tuned with high-resolution operational analyses. It generates 9-day forecasts using an autoregressive strategy. The model leverages both historical ocean states and atmospheric forcings, making it well-suited for operational use. We benchmark MedFormer against the state-of-the-art Mediterranean Forecasting System (MedFS), developed at Euro-Mediterranean Center on Climate Change (CMCC), using both analysis data and independent observations. The forecast skills, evaluated with the Root Mean Squared Difference and the Anomaly Correlation Coefficient, indicate that MedFormer consistently outperforms MedFS across key 3D ocean variables. These findings underscore the potential of data-driven approaches like MedFormer to complement, or even surpass, traditional numerical ocean forecasting systems in both accuracy and computational efficiency.
• Abstract（参考訳）: 正確な海洋予報は、広範囲の海洋応用を支援するために不可欠である。 人工知能の最近の進歩は、特に大気の天気予報において、従来の数値的アプローチを上回るデータ駆動モデルの可能性を強調している。 しかしながら、これらの手法を海洋システムに拡張することは、本質的に遅いダイナミックスと複雑な境界条件のため、依然として困難である。 本研究では,地中海における中距離海洋予測に特化して設計された,完全データ駆動型深層学習モデルであるMedFormerを紹介する。 MedFormerは、3Dアテンション機構を付加したU-Netアーキテクチャに基づいており、1/24{\deg}の高水平解像度で動作する。 このモデルは、20年間の毎日の海洋再分析データに基づいて訓練され、高解像度の運用分析で微調整される。 自動回帰戦略を用いて9日間の予測を生成する。 このモデルは、歴史的海洋状態と大気の強制力の両方を利用しており、運用に適している。 我々は,ヨーロッパ・地中海気候変動センター(CMCC)で開発された地中海予報システム(MedFS)に対して,分析データと独立観測データの両方を用いて,MedFormerをベンチマークした。 ルート平均二乗差と異常相関係数を用いて評価した予測技術は、MedFormerがキーとなる3次元海洋変数に対して一貫してMedFSを上回っていることを示している。 これらの結果は、MedFormerのようなデータ駆動型アプローチが、精度と計算効率の両方で従来の数値的な海洋予測システムを補完する、あるいは超える可能性を示している。

関連論文リスト

• FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution [10.627782397713856]
  FuXi-Oceanは、渦解像1/12deg空間解像度で6時間の予測を達成した最初のデータ駆動型大洋予報モデルである。 モデルアーキテクチャは、コンテキスト認識機能抽出モジュールと、スタックされた注目ブロックを用いた予測ネットワークを統合する。 FuXi-Oceanは、温度、塩分濃度、電流などの重要な変数を複数の深さにわたって予測する優れた技術を示している。
  論文  参考訳（メタデータ） (2025-06-03T00:52:31Z)
• Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
  本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。 このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。 以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-05-30T10:10:40Z)
• Regional Ocean Forecasting with Hierarchical Graph Neural Networks [1.4146420810689422]
  我々は、高解像度の中距離海洋予測用に設計されたニューラルネットワークであるSeaCastを紹介する。 SeaCastはグラフベースのフレームワークを使用して、海洋グリッドの複雑な幾何学を処理し、地域の海洋環境に合わせて外部の強制データを統合する。 コペルニクス海洋局が提供した地中海の運用数値モデルを用いて,高空間分解能実験により本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-10-15T17:34:50Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)

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。