論文の概要: An Observations-focused Assessment of Global AI Weather Prediction Models During the South Asian Monsoon

• arxiv url: http://arxiv.org/abs/2509.01879v1
• Date: Tue, 02 Sep 2025 01:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.876475
• Title: An Observations-focused Assessment of Global AI Weather Prediction Models During the South Asian Monsoon
• Title（参考訳）: 南アジアモンスーンにおけるグローバルAI天気予報モデルの評価
• Authors: Aman Gupta, Aditi Sheshadri, Dhruv Suri,
• Abstract要約: 7つの最先端AI気象モデルが、南アジアモンスーンの観測データに対して評価されている。 モデルは妥当な精度で大規模ダイナミクスを予測するが、モンスーン時の天気予報に不可欠な重要な指標には当てはまらない。
• 参考スコア（独自算出の注目度）: 2.3326724664179985
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Seven state-of-the-art AI weather models (FourCastNet, FourCastNet-SFNO, Pangu-Weather, GraphCast, Aurora, AIFS, and GenCast) are evaluated against observational data during the South Asian Monsoon. The models are tested on temperature, winds, global kinetic energy spectrum, regional precipitation, cloud cover, cyclone trajectory prediction, and hyperlocal predictions around extreme weather events. The models forecast large-scale dynamics with reasonable accuracy, but fall short on key metrics critical to Monsoon-time weather prediction. The models exhibit substantially higher errors when compared against ground-based weather station data than against reanalysis or conventional forecasts. The AI weather prediction models show key differences in mesoscale kinetic energy and extreme precipitation during the Monsoon, and predict markedly different Monsoon-time cyclone trajectories over the Indian subcontinent, raising questions about their readiness for operational applications. Our analysis finds that ECMWF's deterministic AIFS model offers the most reliable performance and usability, with GraphCast and GenCast being close seconds.
• Abstract（参考訳）: 南アジアモンスーンの観測データから、最先端の7つのAI天気モデル(FourCastNet、FourCastNet-SFNO、Pangu-Weather、GraphCast、Aurora、AIFS、GenCast)を評価する。 これらのモデルは、気温、風、大域的な運動エネルギースペクトル、地域降水量、雲の覆い、サイクロン軌道予測、極端気象事象に関する超局所予測で試験される。 モデルは妥当な精度で大規模ダイナミクスを予測するが、モンスーン時の天気予報に不可欠な重要な指標には当てはまらない。 これらのモデルでは、地上の気象観測所のデータと比較した場合、再解析や従来の予測よりもかなり高い誤差を示す。 AI天気予報モデルは、モンスーンの間におけるメソスケールの運動エネルギーと極端な降水量の主な違いを示し、インド亜大陸上でのモンスーン時サイクロン軌道の顕著な差異を予測する。 我々の分析によると、ECMWFの決定論的AIFSモデルは、GraphCastとGenCastが近い数秒で、最も信頼性の高いパフォーマンスとユーザビリティを提供する。

関連論文リスト

• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• 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)
• 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)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)

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。