論文の概要: Forecasting the Future with Yesterday's Climate: Temperature Bias in AI Weather and Climate Models

• arxiv url: http://arxiv.org/abs/2509.22359v1
• Date: Fri, 26 Sep 2025 13:55:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.472222
• Title: Forecasting the Future with Yesterday's Climate: Temperature Bias in AI Weather and Climate Models
• Title（参考訳）: 昨日の気候予測:AI気象モデルと気候モデルにおける温度バイアス
• Authors: Jacob B. Landsberg, Elizabeth A. Barnes,
• Abstract要約: 我々は、AI気象モデルと気候モデルにおける冬の冬の土地温度バイアスを分析する。 いずれのモデルも,予測期間よりも15～20年早く,寒冷な平均気温を発生させることがわかった。 アメリカ合衆国東部など一部の地域では、この予測は20-30年前の気候に似ている。
• 参考スコア（独自算出の注目度）: 0.31486469212981216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based climate and weather models have rapidly gained popularity, providing faster forecasts with skill that can match or even surpass that of traditional dynamical models. Despite this success, these models face a key challenge: predicting future climates while being trained only with historical data. In this study, we investigate this issue by analyzing boreal winter land temperature biases in AI weather and climate models. We examine two weather models, FourCastNet V2 Small (FourCastNet) and Pangu Weather (Pangu), evaluating their predictions for 2020-2025 and Ai2 Climate Emulator version 2 (ACE2) for 1996-2010. These time periods lie outside of the respective models' training sets and are significantly more recent than the bulk of their training data, allowing us to assess how well the models generalize to new, i.e. more modern, conditions. We find that all three models produce cold-biased mean temperatures, resembling climates from 15-20 years earlier than the period they are predicting. In some regions, like the Eastern U.S., the predictions resemble climates from as much as 20-30 years earlier. Further analysis shows that FourCastNet's and Pangu's cold bias is strongest in the hottest predicted temperatures, indicating limited training exposure to modern extreme heat events. In contrast, ACE2's bias is more evenly distributed but largest in regions, seasons, and parts of the temperature distribution where climate change has been most pronounced. These findings underscore the challenge of training AI models exclusively on historical data and highlight the need to account for such biases when applying them to future climate prediction.
• Abstract（参考訳）: AIベースの気候と気象モデルの人気は急速に高まり、従来の力学モデルに匹敵する、あるいは超えるようなスキルを備えた、より高速な予測を提供する。 この成功にもかかわらず、これらのモデルは重要な課題に直面している。 本研究では,この問題を,AI気象モデルと気候モデルによる冬の冬の土地温度バイアスの分析により検討する。 気象モデルであるFourCastNet V2 Small (FourCastNet) とPangu Weather (Pangu) を比較し,1996-2010年のAi2気候エミュレータバージョン2 (ACE2) と2020-2025年の予測を評価した。 これらの期間は、各モデルのトレーニングセットの外にあり、トレーニングデータの大部分よりもはるかに最新であり、モデルがいかに新しい、すなわちより現代的な条件に一般化するかを評価することができる。 いずれのモデルも,予測期間よりも15～20年早く,寒冷な平均気温を発生させることがわかった。 アメリカ合衆国東部など一部の地域では、この予測は20-30年前の気候に似ている。 さらに分析したところ、FourCastNetとPanguのコールドバイアスは最も高温の予測温度で最強であり、現代の極端な熱イベントに対する限られたトレーニング露光を示している。 対照的に、ACE2のバイアスはより均等に分布しているが、気候変動が最も顕著な地域、季節、および温度分布の一部で最大である。 これらの発見は、歴史的データのみにAIモデルをトレーニングすることの課題を強調し、将来の気候予測に適用する際のバイアスを考慮する必要性を強調している。

関連論文リスト

• Numerical models outperform AI weather forecasts of record-breaking extremes [0.18749305679160366]
  記録破りの気象極端の場合、数値モデルHigh Resolution予測は依然として最先端のAIモデルを上回っていることを示す。 AIモデルの予測誤差は、ほぼすべてのリードタイムにおけるHRESよりも、記録破りの暑さ、寒さ、風速に対して一貫して大きいことを実証する。
  論文  参考訳（メタデータ） (2025-08-21T17:07:16Z)
• Turning Up the Heat: Assessing 2-m Temperature Forecast Errors in AI Weather Prediction Models During Heat Waves [0.732482777758295]
  極端に暑さは、アメリカ合衆国で最も致命的な気象関連の危険である。 従来の数値天気予報モデルでは、中距離・季節・季節の時間スケールの極端な熱に苦しむ。 人工知能に基づく天気予報モデルがいかに極端なことを予測しているかは、ほとんど分かっていない。
  論文  参考訳（メタデータ） (2025-04-29T22:02:32Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
  現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。 現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
  論文  参考訳（メタデータ） (2024-09-27T08:11:49Z)
• Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
  機械学習天気予報モデルとECMWFの高分解能予測システムを比較した。 我々は,ML気象予報モデルが,記録破りの太平洋北西部熱波上でHRESと類似の精度を局所的に達成していることを発見した。 さらに、HRESとMLモデルのエラーが、そのイベントにどのように構築されるかという構造的な違いも強調します。
  論文  参考訳（メタデータ） (2024-04-26T18:18:25Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day [3.6704226968275258]
  我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。 このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
  論文  参考訳（メタデータ） (2022-03-11T10:22:57Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。