論文の概要: Sparse Local Implicit Image Function for sub-km Weather Downscaling

• arxiv url: http://arxiv.org/abs/2510.20228v1
• Date: Thu, 23 Oct 2025 05:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.432415
• Title: Sparse Local Implicit Image Function for sub-km Weather Downscaling
• Title（参考訳）: サブkm気象ダウンスケーリングのためのスパース局所インシシット画像関数
• Authors: Yago del Valle Inclan Redondo, Enrique Arriaga-Varela, Dmitry Lyamzin, Pablo Cervantes, Tiago Ramalho,
• Abstract要約: 暗黙のニューラル表現を生成するためにSpLIIFを導入し、気象変数の任意のダウンスケーリングを可能にする。 本研究では,日本全国の温暖な気象観測所と地形観測所からモデルを訓練し,気温と風速を予測する分布内および分布外精度を評価する。 このモデルでは、CorrDiffとベースラインの両方を下降温度で最大50%、風速で約10～20%改善する。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce SpLIIF to generate implicit neural representations and enable arbitrary downscaling of weather variables. We train a model from sparse weather stations and topography over Japan and evaluate in- and out-of-distribution accuracy predicting temperature and wind, comparing it to both an interpolation baseline and CorrDiff. We find the model to be up to 50% better than both CorrDiff and the baseline at downscaling temperature, and around 10-20% better for wind.
• Abstract（参考訳）: 暗黙のニューラル表現を生成するためにSpLIIFを導入し、気象変数の任意のダウンスケーリングを可能にする。 本研究では,日本全国の低地気象観測所と地形観測所からモデルを訓練し,温度と風速を予測する内外分布精度を評価し,補間ベースラインとCorrDiffとの比較を行った。 このモデルでは、CorrDiffとベースラインの両方を下降温度で最大50%、風速で約10～20%改善する。

関連論文リスト

• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
  我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。 次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。 その結果,全駅でWRF予測が顕著に改善したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-14T17:48:06Z)
• 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。