論文の概要: CRPS-LAM: Regional ensemble weather forecasting from matching marginals

• arxiv url: http://arxiv.org/abs/2510.09484v1
• Date: Fri, 10 Oct 2025 15:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:49.323278
• Title: CRPS-LAM: Regional ensemble weather forecasting from matching marginals
• Title（参考訳）: CRPS-LAM:一致した周辺地域の天気予報
• Authors: Erik Larsson, Joel Oskarsson, Tomas Landelius, Fredrik Lindsten,
• Abstract要約: CRPS-LAMは,CRPSに基づいて学習した確率的LAM予測モデルである。 モデルに1つの遅延ノイズベクトルをサンプリングして注入することにより、CRPS-LAMは1つの前方通過でアンサンブル部材を生成する。 CRPS-LAMが拡散モデルの低誤差と一致するMEPS領域データセット上でモデルを評価した。
• 参考スコア（独自算出の注目度）: 12.929305404466747
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning for weather prediction increasingly relies on ensemble methods to provide probabilistic forecasts. Diffusion-based models have shown strong performance in Limited-Area Modeling (LAM) but remain computationally expensive at sampling time. Building on the success of global weather forecasting models trained based on Continuous Ranked Probability Score (CRPS), we introduce CRPS-LAM, a probabilistic LAM forecasting model trained with a CRPS-based objective. By sampling and injecting a single latent noise vector into the model, CRPS-LAM generates ensemble members in a single forward pass, achieving sampling speeds up to 39 times faster than a diffusion-based model. We evaluate the model on the MEPS regional dataset, where CRPS-LAM matches the low errors of diffusion models. By retaining also fine-scale forecast details, the method stands out as an effective approach for probabilistic regional weather forecasting
• Abstract（参考訳）: 天気予報のための機械学習は、確率予測を提供するためのアンサンブル手法にますます依存している。 拡散モデルでは、リミテッド・エリア・モデリング(LAM)では高い性能を示してきたが、サンプリング時に計算コストは高いままである。 CRPS(Continuous Ranked Probability Score)に基づいてトレーニングしたグローバル気象予報モデルの成功に基づいて,CRPSをベースとした予測モデルであるCRPS-LAMを導入する。 CRPS-LAMは1つの遅延ノイズベクトルをモデルにサンプリングして注入することにより、1つの前方通過でアンサンブル部材を生成し、拡散ベースモデルよりも39倍速いサンプリング速度を達成する。 CRPS-LAMが拡散モデルの低誤差と一致するMEPS領域データセット上でモデルを評価した。 細かな予測の詳細も保持することにより、確率的地域天気予報に有効な手法として注目される。

関連論文リスト

• Skillful joint probabilistic weather forecasting from marginals [11.348323146521931]
  本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2025-06-12T14:50:47Z)
• Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules [0.0]
  閾値重み付き連続ランク確率スコア(twCRPS)を用いたトレーニングは、後処理モデルの極端なイベント性能を向上させる。 極端事象の確率論的予測の性能が向上し,分布物体の予測性能が低下する分布体テールトレードオフが発見された。
  論文  参考訳（メタデータ） (2024-07-22T11:07:52Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。