論文の概要: Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model

• arxiv url: http://arxiv.org/abs/2509.21349v1
• Date: Thu, 18 Sep 2025 20:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.766256
• Title: Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model
• Title（参考訳）: 非定常時空間変圧器モデルによる台風の正確な震度予測
• Authors: Hongyu Qu, Hongxiong Xu, Lin Dong, Chunyi Xiang, Gaozhen Nie,
• Abstract要約: 熱帯サイクロン(TC)強度の正確な予測は、運用気象学の課題である。 機械学習の最近の進歩は、TC予測の顕著な進歩をもたらした。 本稿では,非定常5日間の強度軌跡を生成するトランスフォーマーに基づく予測モデルNetを紹介する。
• 参考スコア（独自算出の注目度）: 3.468838035344738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of tropical cyclone (TC) intensity - particularly during periods of rapid intensification and rapid weakening - remains a challenge for operational meteorology, with high-stakes implications for disaster preparedness and infrastructure resilience. Recent advances in machine learning have yielded notable progress in TC prediction; however, most existing systems provide forecasts that degrade rapidly in extreme regimes and lack long-range consistency. Here we introduce TIFNet, a transformer-based forecasting model that generates non-iterative, 5-day intensity trajectories by integrating high-resolution global forecasts with a historical-evolution fusion mechanism. Trained on reanalysis data and fine-tuned with operational data, TIFNet consistently outperforms operational numerical models across all forecast horizons, delivering robust improvements across weak, strong, and super typhoon categories. In rapid intensity change regimes - long regarded as the most difficult to forecast - TIFNet reduces forecast error by 29-43% relative to current operational baselines. These results represent a substantial advance in artificial-intelligence-based TC intensity forecasting, especially under extreme conditions where traditional models consistently underperform.
• Abstract（参考訳）: 熱帯性サイクロン(TC)の強度の正確な予測は、特に急激な強化と急速な弱体化の期間において、災害対策やインフラのレジリエンスに高い意味を持ちながら、運用気象学の課題として残されている。 最近の機械学習の進歩は、TC予測において顕著な進歩をもたらしたが、既存のシステムの多くは、極端な状況下で急速に低下し、長距離の一貫性が欠如している予測を提供する。 本稿では,TIFNetについて紹介する。TIFNetは,高分解能なグローバル予測を歴史的進化融合機構と統合することにより,非定常5日間の強度軌道を生成するトランスフォーマーベースの予測モデルである。 TIFNetは、リアナリシスデータに基づいて、運用データで微調整され、常に全ての予測地平線における運用数値モデルより優れ、弱い、強い、そして超台風のカテゴリにわたって堅牢な改善を提供する。 TIFNetは、これまでで最も予測が難しいと考えられてきた急激な変化体制において、現在の運用ベースラインと比較して、予測エラーを29～43%削減する。 これらの結果は、特に従来のモデルが常に性能が劣っている極端な条件下で、人工知能に基づくTC強度予測の大幅な進歩を示している。

関連論文リスト

• 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)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)
• 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)

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。