論文の概要: Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction

• arxiv url: http://arxiv.org/abs/2510.16958v1
• Date: Sun, 19 Oct 2025 18:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.224294
• Title: Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction
• Title（参考訳）: 不確実性定量化のための量子回帰、変分オートエンコーダ、拡散モデル:サブシーズン風速予測の空間的解析
• Authors: Ganglin Tian, Anastase Alexandre Charantonis, Camille Le Coz, Alexis Tantet, Riwal Plougonven,
• Abstract要約: 本研究の目的は, 大規模大気予測器から表層風速を回帰する際の不確実性の表現を改善することである。 確率論的ディープラーニングモデルは、複雑な空間依存をキャプチャするための有望なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study aims to improve the spatial representation of uncertainties when regressing surface wind speeds from large-scale atmospheric predictors for sub-seasonal forecasting. Sub-seasonal forecasting often relies on large-scale atmospheric predictors such as 500 hPa geopotential height (Z500), which exhibit higher predictability than surface variables and can be downscaled to obtain more localised information. Previous work by Tian et al. (2024) demonstrated that stochastic perturbations based on model residuals can improve ensemble dispersion representation in statistical downscaling frameworks, but this method fails to represent spatial correlations and physical consistency adequately. More sophisticated approaches are needed to capture the complex relationships between large-scale predictors and local-scale predictands while maintaining physical consistency. Probabilistic deep learning models offer promising solutions for capturing complex spatial dependencies. This study evaluates three probabilistic methods with distinct uncertainty quantification mechanisms: Quantile Regression Neural Network that directly models distribution quantiles, Variational Autoencoders that leverage latent space sampling, and Diffusion Models that utilise iterative denoising. These models are trained on ERA5 reanalysis data and applied to ECMWF sub-seasonal hindcasts to regress probabilistic wind speed ensembles. Our results show that probabilistic downscaling approaches provide more realistic spatial uncertainty representations compared to simpler stochastic methods, with each probabilistic model offering different strengths in terms of ensemble dispersion, deterministic skill, and physical consistency. These findings establish probabilistic downscaling as an effective enhancement to operational sub-seasonal wind forecasts for renewable energy planning and risk assessment.
• Abstract（参考訳）: 本研究の目的は, 大規模大気予測器から表層風速を推算する際の不確実性の空間的表現を改善することである。 サブシーズン予測は、表面変数よりも高い予測可能性を示し、より局所的な情報を得るためにダウンスケールできる500 hPa (Z500)のような大規模大気予測器に依存することが多い。 Tian et al (2024) による以前の研究は、モデル残差に基づく確率的摂動は統計的ダウンスケーリングフレームワークにおけるアンサンブル分散表現を改善することができることを示したが、この手法は空間的相関と物理的整合性を適切に表現できない。 物理的整合性を維持しつつ、大規模予測器と局所的予測器の間の複雑な関係を捉えるために、より洗練されたアプローチが必要である。 確率論的ディープラーニングモデルは、複雑な空間依存をキャプチャするための有望なソリューションを提供する。 本研究では,分散量子化を直接モデル化する量子回帰ニューラルネットワーク,潜時空間サンプリングを利用する変分オートエンコーダ,反復復調を利用する拡散モデルという,不確実な定量化メカニズムを持つ3つの確率的手法を評価する。 これらのモデルは、ERA5の再解析データに基づいて訓練され、ECMWFのサブシーズンのヒンドキャストに適用され、確率的風速アンサンブルを補強する。 以上の結果から,確率的下降手法はより単純な確率的手法と比較して,より現実的な空間的不確実性表現を提供し,各確率的モデルはアンサンブル分散,決定論的スキル,物理的一貫性の点で異なる強度を提供することがわかった。 これらの知見は, 再生可能エネルギー計画とリスクアセスメントに有効なサブシーズン風速予測の強化として, 確率的ダウンスケーリングを確立した。

関連論文リスト

• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• DEF: Diffusion-augmented Ensemble Forecasting [5.433548785820674]
  我々は、初期条件摂動を生成する新しいアプローチであるDEF(textbfulEnsemble textbfulForecasting)を提案する。 簡単な条件拡散モデルが有意な構造的摂動を生成できることを実証する。 このモデルでは,有意な予測分布を生成しながら,長期予測よりも誤りの蓄積が少ないことを示す。
  論文  参考訳（メタデータ） (2025-06-08T23:43:41Z)
• Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
  地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。 本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。 従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
  論文  参考訳（メタデータ） (2025-04-01T00:21:31Z)
• Collaborative Deterministic-Probabilistic Forecasting for Diverse Spatiotemporal Systems [16.028948493876126]
  CoSTは最先端のベースラインを25%上回り、計算コストを大幅に削減する。 気候、エネルギー通信、都市システムに対する試行は、最先端のベースラインよりも25%向上している。
  論文  参考訳（メタデータ） (2025-02-16T06:35:26Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• 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)
• 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 in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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。