論文の概要: A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts

• arxiv url: http://arxiv.org/abs/2509.02784v2
• Date: Mon, 08 Sep 2025 14:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.36893
• Title: A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts
• Title（参考訳）: 組合わせ天気予報の多変量後処理のための複合ロスグラフニューラルネットワーク
• Authors: Mária Lakatos,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble forecasting systems have advanced meteorology by providing probabilistic estimates of future states. Nonetheless, systematic biases often persist, making statistical post-processing essential. Traditional parametric post-processing techniques and machine learning-based methods can produce calibrated predictive distributions at specific locations and lead times, yet often struggle to capture dependencies across forecast dimensions. To address this, multivariate post-processing methods-such as ensemble copula coupling and the Schaake shuffle-are widely applied in a second step to restore realistic inter-variable or spatio-temporal dependencies. The aim of this study is the multivariate post-processing of ensemble forecasts using a graph neural network (dualGNN) trained with a composite loss function that combines the energy score (ES) and the variogram score (VS). The method is evaluated on two datasets: WRF-based solar irradiance forecasts over northern Chile and ECMWF visibility forecasts for Central Europe. The dualGNN consistently outperforms all empirical copula-based post-processed forecasts and shows significant improvements compared to graph neural networks trained solely on either the continuous ranked probability score or the ES, according to the evaluated multivariate verification metrics. Furthermore, for the WRF forecasts, the rank-order structure of the dualGNN forecasts captures valuable dependency information, enabling a more effective restoration of spatial relationships than either the raw numerical weather prediction ensemble or historical observational rank structures. Notably, incorporating VS into the loss function improved the univariate performance for both target variables compared to training on ES alone. Moreover, for the visibility forecasts, the ES-VS combination even outperformed the strongest calibrated reference in terms of univariate performance.
• Abstract（参考訳）: エンサンブル予測システムは、将来の状態の確率論的推定を提供することにより、高度な気象学を持つ。 それでも、体系的なバイアスはしばしば持続し、統計的な後処理が不可欠である。 従来のパラメトリックポストプロセッシング技術と機械学習ベースの手法は、特定の位置とリード時間でキャリブレーションされた予測分布を生成することができるが、予測次元を越えて依存関係をキャプチャするのに苦労することが多い。 これを解決するために、多変量後処理法(アンサンブルコプラカップリングやシェークシャッフルなど)が第2ステップで広く適用され、現実的な変数間あるいは時空間的依存関係を復元する。 本研究の目的は,エネルギースコア(ES)とヴァリグラムスコア(VS)を組み合わせた複合損失関数を訓練したグラフニューラルネットワーク(DualGNN)を用いて,アンサンブル予測の多変量後処理を行うことである。 この手法は、チリ北部におけるWRFに基づく太陽放射の予測と、中央ヨーロッパにおけるECMWFの可視性予測の2つのデータセットで評価されている。 評価された多変量検証指標によると、デュアルGNNは、経験的なコプラベースの後処理予測を一貫して上回り、連続的なランク付け確率スコアまたはESにのみトレーニングされたグラフニューラルネットワークと比較して、大幅に改善されている。 さらに、WRF予測では、二重GNN予測の階階構造が貴重な依存情報をキャプチャし、生の数値天気予報アンサンブルや歴史的観測階級構造よりも、より効果的な空間関係の復元を可能にする。 特に、VSを損失関数に組み込むことで、ES単独でのトレーニングと比較して、両方のターゲット変数のユニバリアイト性能が向上した。 さらに、可視性予測では、ES-VSの組み合わせは単変量性能において最強の校正基準よりも優れていた。

関連論文リスト

• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison [0.0]
  系統的な誤りを正すためにアンサンブルの天気予報を後処理することは、研究や運用において標準的な慣行となっている。 本稿では,確率論的風速予測のための8つの統計的および機械学習手法の総合的なレビューと体系的比較を行う。 本稿では,様々な確率予測型を出力とする局所適応型ニューラルネットワークの柔軟なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-17T14:03:29Z)

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。