論文の概要: Learning Coupled Earth System Dynamics with GraphDOP

• arxiv url: http://arxiv.org/abs/2510.20416v1
• Date: Thu, 23 Oct 2025 10:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.74988
• Title: Learning Coupled Earth System Dynamics with GraphDOP
• Title（参考訳）: GraphDOPを用いた地球システムダイナミクスの学習
• Authors: Eulalie Boucher, Mihai Alexe, Peter Lean, Ewan Pinnington, Simon Lang, Patrick Laloyaux, Lorenzo Zampieri, Patricia de Rosnay, Niels Bormann, Anthony McNally,
• Abstract要約: GraphDOPは、生の衛星とその場観測から直接天気を予測することを学習するグラフベースの機械学習モデルである。 ケーススタディには、北極における急激な海氷の凍結、ハリケーンイアンによる海面の冷却、2022年の欧州の厳しい熱波などが含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interactions between different components of the Earth System (e.g. ocean, atmosphere, land and cryosphere) are a crucial driver of global weather patterns. Modern Numerical Weather Prediction (NWP) systems typically run separate models of the different components, explicitly coupled across their interfaces to additionally model exchanges between the different components. Accurately representing these coupled interactions remains a major scientific and technical challenge of weather forecasting. GraphDOP is a graph-based machine learning model that learns to forecast weather directly from raw satellite and in-situ observations, without reliance on reanalysis products or traditional physics-based NWP models. GraphDOP simultaneously embeds information from diverse observation sources spanning the full Earth system into a shared latent space. This enables predictions that implicitly capture cross-domain interactions in a single model without the need for any explicit coupling. Here we present a selection of case studies which illustrate the capability of GraphDOP to forecast events where coupled processes play a particularly key role. These include rapid sea-ice freezing in the Arctic, mixing-induced ocean surface cooling during Hurricane Ian and the severe European heat wave of 2022. The results suggest that learning directly from Earth System observations can successfully characterise and propagate cross-component interactions, offering a promising path towards physically consistent end-to-end data-driven Earth System prediction with a single model.
• Abstract（参考訳）: 地球系の様々な構成要素(例えば、海洋、大気、陸地、低温圏)の相互作用は、地球規模の気象パターンの重要な要因である。 現代の数値気象予測(NWP)システムは、通常、異なるコンポーネントの別々のモデルを実行し、異なるコンポーネント間の交換をモデル化するために、インターフェース間で明示的に結合する。 これらの相互作用を正確に表現することは、気象予報の大きな科学的および技術的課題である。 GraphDOPはグラフベースの機械学習モデルであり、分析製品や従来の物理ベースのNWPモデルに依存することなく、生の衛星やその場観測から直接天気を予測することを学習する。 GraphDOPは同時に、全地球系にまたがる様々な観測源からの情報を共有潜在空間に埋め込む。 これにより、明示的な結合を必要とせずに、単一のモデルにおけるドメイン間の相互作用を暗黙的にキャプチャする予測が可能になる。 ここでは、結合プロセスが特に重要な役割を果たすイベントを予測するためのGraphDOPの能力を示すケーススタディの選定を紹介する。 北極圏の急激な海氷の凍結、ハリケーンイアンによる海面の冷却、2022年の欧州の厳しい熱波などが含まれる。 その結果、地球系観測から直接の学習は、物理的に一貫したエンドツーエンドのデータ駆動型地球系予測への道のりを単一のモデルで実現し、コンポーネント間の相互作用をうまく特徴づけ、伝播させることができることが示唆された。

関連論文リスト

• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting [9.604302577187788]
  S2S予測は農業計画、エネルギー管理、災害対策にとって重要なフロンティアである。 現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。 textbfTelePiTは,マルチスケール物理とテレコネクション認識を統合してグローバルなS2S予測を強化する,新しいディープラーニングアーキテクチャである。
  論文  参考訳（メタデータ） (2025-06-08T16:32:21Z)
• GraphDOP: Towards skilful data-driven medium-range weather forecasts learnt and initialised directly from observations [0.22824658065924633]
  GraphDOPは観測された量と興味の物理量との相関を学習する。 今後最大5日間の気象パラメータの厳密な予測を行うことができる。
  論文  参考訳（メタデータ） (2024-12-20T09:06:14Z)
• Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
  私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。 合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。 365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
  論文  参考訳（メタデータ） (2024-07-19T08:59:00Z)
• Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.4610685586329806]
  降水は今,グラフシーケンス問題として再検討する。 我々のモデルでは、空間的時間的相互作用に対して異なる注意機構を用いる。 融合モジュールは両方のストリームを統合し、空間情報と時間情報を利用して精度を向上させる。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。