論文の概要: Distillation of CNN Ensemble Results for Enhanced Long-Term Prediction of the ENSO Phenomenon

• arxiv url: http://arxiv.org/abs/2509.06227v1
• Date: Sun, 07 Sep 2025 22:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.913479
• Title: Distillation of CNN Ensemble Results for Enhanced Long-Term Prediction of the ENSO Phenomenon
• Title（参考訳）: ENSO現象の長期予測のためのCNNアンサンブル結果の蒸留
• Authors: Saghar Ganji, Mohammad Naisipour, Alireza Hassani, Arash Adib,
• Abstract要約: El Nino Southern Oscillation (ENSO)の正確な長期予測は、いまだに気候科学における最大の課題の1つである。 本研究では,厳密な姿勢評価を通じて,enseO予測の十分なアンサンブルに対して,アンサンブル平均よりも技量が高いメンバーのサブセットが存在することを実証する。
• 参考スコア（独自算出の注目度）: 0.4199844472131922
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The accurate long-term forecasting of the El Nino Southern Oscillation (ENSO) is still one of the biggest challenges in climate science. While it is true that short-to medium-range performance has been improved significantly using the advances in deep learning, statistical dynamical hybrids, most operational systems still use the simple mean of all ensemble members, implicitly assuming equal skill across members. In this study, we demonstrate, through a strictly a-posteriori evaluation , for any large enough ensemble of ENSO forecasts, there is a subset of members whose skill is substantially higher than that of the ensemble mean. Using a state-of-the-art ENSO forecast system cross-validated against the 1986-2017 observed Nino3.4 index, we identify two Top-5 subsets one ranked on lowest Root Mean Square Error (RMSE) and another on highest Pearson correlation. Generally across all leads, these outstanding members show higher correlation and lower RMSE, with the advantage rising enormously with lead time. Whereas at short leads (1 month) raises the mean correlation by about +0.02 (+1.7%) and lowers the RMSE by around 0.14 {\deg}C or by 23.3% compared to the All-40 mean, at extreme leads (23 months) the correlation is raised by +0.43 (+172%) and RMSE by 0.18 {\deg}C or by 22.5% decrease. The enhancements are largest during crucial ENSO transition periods such as SON and DJF, when accurate amplitude and phase forecasting is of greatest socio-economic benefit, and furthermore season-dependent e.g., mid-year months such as JJA and MJJ have incredibly large RMSE reductions. This study provides a solid foundation for further investigations to identify reliable clues for detecting high-quality ensemble members, thereby enhancing forecasting skill.
• Abstract（参考訳）: El Nino Southern Oscillation(ENSO)の正確な長期予測は、いまだに気候科学における最大の課題の1つである。 深層学習、統計力学ハイブリッドの進歩により、短距離から中距離のパフォーマンスが大幅に向上したことは事実であるが、ほとんどの運用システムでは、メンバー間で同等のスキルを暗黙的に仮定して、すべてのアンサンブルメンバーの単純な平均を用いている。 本研究では,厳密な姿勢評価を通じて,enseO予測の十分なアンサンブルに対して,アンサンブル平均よりも技量が高いメンバーのサブセットが存在することを実証する。 1986-2017年に観測されたNino3.4指数に比較して、最先端のENSO予測システムを用いて、最低のRoot Mean Square Error (RMSE) にランク付けされた2つのトップ5サブセットと、最も高いピアソン相関にランク付けされた2つの上位5サブセットを同定した。 一般に、これらの優れたメンバーは、高い相関関係と低いRMSEを示し、その利点はリードタイムとともに大きく上昇する。 短い鉛(1ヶ月)では平均相関が約0.02 (+1.7%)、RMSEは0.14 {\deg}Cまたは23.3%、極端な鉛では0.43 (+172%)、RMSEは0.18 {\deg}Cでは22.5%低下する。 SON や DJF のような重要な ENSO 移行期には,正確な振幅と位相予測が社会経済的利益として最大であり,さらに JJA や MJJ のような季節依存の eg や中年期の JJA や MJJ などは非常に大きな RMSE の減少が見られた。 本研究は,高品質なアンサンブル部材を検出するための信頼性の高い手がかりを同定し,予測スキルを向上させるための,さらなる調査のための確固たる基盤を提供する。

関連論文リスト

• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [51.48680261034029]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
  4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。 かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
  論文  参考訳（メタデータ） (2024-09-08T22:58:46Z)
• 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)
• FuXi: A cascade machine learning forecasting system for 15-day global weather forecast [34.812266901884996]
  FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。 FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
  論文  参考訳（メタデータ） (2023-06-22T13:34:26Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)

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。