論文の概要: Observation-guided Interpolation Using Graph Neural Networks for High-Resolution Nowcasting in Switzerland

• arxiv url: http://arxiv.org/abs/2509.00017v2
• Date: Sun, 19 Oct 2025 14:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.530207
• Title: Observation-guided Interpolation Using Graph Neural Networks for High-Resolution Nowcasting in Switzerland
• Title（参考訳）: グラフニューラルネットワークを用いたスイスの高分解能放送における観測誘導補間
• Authors: Ophélia Miralles, Daniele Nerini, Jonas Bhend, Baudouin Raoult, Christoph Spirig,
• Abstract要約: 本稿では,スイスにおける高分解能放送のためのグラフニューラルネットワーク(GNN)に基づく手法を提案する。 提案アーキテクチャは,地表観測と過去および将来の数値天気予報条件を組み合わせたものである。 いずれのGNNも、ICON-CH1解析に対して検証した場合、常にICON-CH1を上回っていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in neural weather forecasting have shown significant potential for accurate short-term forecasts. However, adapting such gridded approaches to smaller, topographically complex regions like Switzerland introduces computational challenges, especially when aiming for high spatial (1km) and temporal (10 min) resolution. This paper presents a Graph Neural Network (GNN)-based approach for high-resolution nowcasting in Switzerland using the Anemoi framework and observational inputs. The proposed architecture combines surface observations with selected past and future numerical weather prediction (NWP) states, enabling an observation-guided interpolation strategy that enhances short-term accuracy while preserving physical consistency. We evaluate two models, one trained using local nowcasting analyses and one trained without, on multiple surface variables and compare it against operational high-resolution NWP (ICON-CH1) and nowcasting (INCA) baselines. Results over the test period show that both GNNs consistently outperform ICON-CH1 when verified against INCA analyses across most variables and lead times. Relative to the INCA forecast system, scores against INCA analyses show AI gains beyond 2h (with early-lead disadvantages attributable to INCA's warm start from the analysis), while verification against held-out stations shows no systematic degradation at short lead-times for AI models and frequent outperformance across surface variables. A comprehensive verification procedure, including spatial skill scores for precipitation, pairwise significance testing and event-based evaluation, demonstrates the operational relevance of the approach for mountainous domains. These results indicate that high-resolution, observation-guided GNNs can match or exceed the skill of established forecasting systems for short lead times, including when they are trained without nowcasting analyses.
• Abstract（参考訳）: 神経天気予報の最近の進歩は、正確な短期予測に有意な可能性を示している。 しかし、スイスのような小規模で地形的に複雑な地域にそのようなグリッド化されたアプローチを適用すると、特に高空間(1km)と時間(10分)の解像度を目指す場合、計算上の問題が発生する。 本稿では,Anemoiフレームワークと観測入力を用いた,スイスにおける高分解能放送のためのグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 提案アーキテクチャは,表面観測と選択した過去および将来の数値天気予報(NWP)状態を組み合わせることで,物理的整合性を維持しながら短期的精度を高める観測誘導補間戦略を実現する。 我々は,局所的な流速解析を用いて訓練した2つのモデルと,複数の表面変数に基づいて訓練した1つのモデルを評価し,運用用高分解能NWP(ICON-CH1)と流速ベースライン(INCA)と比較した。 テスト期間中の結果は、ほとんどの変数とリードタイムのINCA分析に対して、両方のGNNが一貫してICON-CH1を上回っていることを示している。 INCA予測システムとは対照的に、INCA分析に対するスコアは、AIの上昇が2時間を超えている(ただし、INCAが分析から温かいスタートに起因している早期の欠点がある)一方で、保留中のステーションに対する検証では、AIモデルに対する短いリードタイムでの体系的な劣化や、表面変数間の頻繁なパフォーマンスが示されない。 降水に関する空間的スキルスコア,ペアワイドな意味試験,イベントベース評価などを含む総合的な検証手法は,山岳領域におけるアプローチの運用上の妥当性を示す。 これらの結果から,高分解能で観測誘導型GNNは,流し込み解析を行なわずにトレーニングを行った場合を含む,確立した予報システムのスキルを短時間で一致または超過することができることが示唆された。

関連論文リスト

• Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
  本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。 提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。 このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-28T10:52:15Z)
• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts [0.0]
  デュアルGNNは、実証的なコプラベースの後処理予測を一貫して上回っている。 双対GNN予測のランク順構造は、貴重な依存情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-02T19:37:44Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [42.49580040971529]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• DeepHGNN: Study of Graph Neural Network based Forecasting Methods for Hierarchically Related Multivariate Time Series [5.029860184826624]
  本稿では,複雑な階層構造における予測を目的とした新しい階層型GNN(DeepHGNN)フレームワークを提案する。 DeepHGNNは、様々な階層レベルの予測精度とコヒーレンスを保証し、それらをまたいだ信号を共有する。 複数の最先端モデルに対する包括的評価セットにより,DeepHGNNの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-05-29T02:06:17Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• VN-Net: Vision-Numerical Fusion Graph Convolutional Network for Sparse Spatio-Temporal Meteorological Forecasting [12.737085738169164]
  VN-Netは、マルチモーダルデータを利用してスパース時間気象予報をより良く扱うためのGCN法を導入する最初の試みである。 VN-Netは、温度、相対湿度、予測のための平均絶対誤差(MAE)と根平均二乗誤差(RMSE)にかなりの差で最先端である。
  論文  参考訳（メタデータ） (2024-01-26T12:41:57Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• 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)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• 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)
• Graph Neural Networks for Improved El Ni\~no Forecasting [0.009620910657090186]
  我々は,エルニーニョ南部振動(ENSO)を長時間予測するためのグラフニューラルネットワーク(GNN)の応用を提案する。 予備的な結果は1ヶ月と3ヶ月前に予測される最先端システムよりも有望で優れています。
  論文  参考訳（メタデータ） (2020-12-02T23:40:53Z)

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。