論文の概要: Deep learning the sources of MJO predictability: a spectral view of learned features

• arxiv url: http://arxiv.org/abs/2510.03582v1
• Date: Sat, 04 Oct 2025 00:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.129966
• Title: Deep learning the sources of MJO predictability: a spectral view of learned features
• Title（参考訳）: MJO予測可能性源の深層学習--学習特徴のスペクトルビュー
• Authors: Lin Yao, Da Yang, James P. C. Duncan, Ashesh Chattopadhyay, Pedram Hassanzadeh, Wahid Bhimji, Bin Yu,
• Abstract要約: マデン・ジュリア振動(Madden-Julian oscillation、MJO)は、惑星スケール、季節内降雨現象である。 ここでは、深層学習を用いて、MJO予測可能性の源泉を調査する。 大規模パターンがMJO予測可能性の主要な原因である可能性がある。
• 参考スコア（独自算出の注目度）: 5.17795395448666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Madden-Julian oscillation (MJO) is a planetary-scale, intraseasonal tropical rainfall phenomenon crucial for global weather and climate; however, its dynamics and predictability remain poorly understood. Here, we leverage deep learning (DL) to investigate the sources of MJO predictability, motivated by a central difference in MJO theories: which spatial scales are essential for driving the MJO? We first develop a deep convolutional neural network (DCNN) to forecast the MJO indices (RMM and ROMI). Our model predicts RMM and ROMI up to 21 and 33 days, respectively, achieving skills comparable to leading subseasonal-to-seasonal models such as NCEP. To identify the spatial scales most relevant for MJO forecasting, we conduct spectral analysis of the latent feature space and find that large-scale patterns dominate the learned signals. Additional experiments show that models using only large-scale signals as the input have the same skills as those using all the scales, supporting the large-scale view of the MJO. Meanwhile, we find that small-scale signals remain informative: surprisingly, models using only small-scale input can still produce skillful forecasts up to 1-2 weeks ahead. We show that this is achieved by reconstructing the large-scale envelope of the small-scale activities, which aligns with the multi-scale view of the MJO. Altogether, our findings support that large-scale patterns--whether directly included or reconstructed--may be the primary source of MJO predictability.
• Abstract（参考訳）: マデン・ジュリア振動(MJO)は、地球規模の気候や気候に不可欠な、惑星規模の熱帯雨雨現象である。 ここでは深層学習(DL)を活用して,MJO理論の中心的な違いに動機づけられたMJO予測可能性(MJOの駆動に欠かせない空間尺度)の源泉を探索する。 我々はまず,MJO指標(RMMとROMI)を予測するためのディープ畳み込みニューラルネットワーク(DCNN)を開発した。 RMMとROMIは,それぞれ21日,33日と予測され,NCEPなどの先進的な季節-季節間モデルに匹敵する能力を有する。 MJO予測に最も関係のある空間スケールを特定するため、潜在特徴空間のスペクトル分析を行い、学習信号の大規模パターンが支配的であることを示す。 追加の実験では、入力として大規模信号のみを使用するモデルは、すべてのスケールを使用するモデルと同じスキルを持ち、MJOの大規模ビューをサポートすることが示されている。 意外なことに、小規模入力のみを使用したモデルでは、最大1～2週間前には十分な予測が得られます。 本研究は,MJOのマルチスケール視点に則った,小規模活動の大規模エンベロープを再構築することで実現可能であることを示す。 いずれにせよ,MJO予測可能性の主要な要因は,大規模パターン – 直接的を含むか,あるいは再構成されるか – である。

関連論文リスト

• Enhanced predictions of the Madden-Julian oscillation using the FuXi-S2S machine learning model: Insights into physical mechanisms [8.415951270526572]
  マドデン・ジュリア振動(MJO)は、季節内時間スケールにおける熱帯の大気変動の主要なモードである。 本研究では, 冬期におけるFuXiサブシーズン・ツー・シーズンMLモデル(S2S)のMJO予測性能について検討した。
  論文  参考訳（メタデータ） (2025-08-22T02:27:07Z)
• Models of Heavy-Tailed Mechanistic Universality [62.107333654304014]
  トレーニングニューラルネットワークにおける重み付け行動を引き起こす属性を探索するために,ランダム行列モデルのファミリーを提案する。 このモデルの下では、3つの独立した因子の組み合わせによって、尾翼の電力法則によるスペクトル密度が生じる。 ニューラルネットワークトレーニングの5段階以上において、ニューラルネットワークのスケーリング法則、軌道、および5段階以上の位相を含む重尾の出現に対する我々のモデルの影響について論じる。
  論文  参考訳（メタデータ） (2025-06-04T00:55:01Z)
• Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models [0.8749675983608172]
  マデン・ジュリアン振動(マデン・ジュリアン・オシレーション、英語: Madden-Julian Oscillation、MJO)は、地球規模の気象パターンを調節する上で重要な役割を担っている気候現象である。 ニューラルネットワークのようなほとんどの機械学習アルゴリズムは、MJO予測における不確実性レベルを直接提供できない。
  論文  参考訳（メタデータ） (2025-05-21T18:40:40Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Geometric Prior Guided Feature Representation Learning for Long-Tailed Classification [47.09355487357069]
  そこで,本論文では,よく表現されたヘッドクラスの特徴分布の幾何学的情報を活用し,モデルにテールクラスの基盤となる分布を学習させる手法を提案する。 パータード機能は、可能な限りテールクラスの基盤となる分布をカバーし、テスト領域におけるモデルの一般化性能を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-01-21T09:16:29Z)
• Towards Interpretable Solar Flare Prediction with Attention-based Deep Neural Networks [1.1624569521079424]
  太陽フレア予測は宇宙天気予報の中心的な問題である。 我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。 本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-09-08T19:21:10Z)
• G-NM: A Group of Numerical Time Series Prediction Models [0.0]
  数値時系列予測モデル(G-NM)のグループは、線形および非線形の依存関係、季節性、時系列データに存在する傾向の両方をカプセル化する。 G-NMは、複雑な自然現象に固有のパターンや傾向に関連する予測能力を増強するために明確に構成されている。
  論文  参考訳（メタデータ） (2023-06-20T16:39:27Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)

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。