論文の概要: CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting

• arxiv url: http://arxiv.org/abs/2510.20769v1
• Date: Thu, 23 Oct 2025 17:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.516933
• Title: CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting
• Title（参考訳）: CSU-PCAST:中距離アンサンブル降水予測のためのデュアルブランチ変換フレームワーク
• Authors: Tianyi Xiong, Haonan Chen,
• Abstract要約: 本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
• 参考スコア（独自算出の注目度）: 6.540270371082014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate medium-range precipitation forecasting is crucial for hydrometeorological risk management and disaster mitigation, yet remains challenging for current numerical weather prediction (NWP) systems. Traditional ensemble systems such as the Global Ensemble Forecast System (GEFS) struggle to maintain high skill, especially for moderate and heavy rainfall at extended lead times. This study develops a deep learning-based ensemble framework for multi-step precipitation prediction through joint modeling of a comprehensive set of atmospheric variables. The model is trained on ERA5 reanalysis data at 0.25$^{\circ}$ spatial resolution, with precipitation labels from NASA's Integrated Multi-satellite Retrievals for Global Precipitation Measurement (GPM) constellation (IMERG), incorporating 57 input variables, including upper-air and surface predictors. The architecture employs a patch-based Swin Transformer backbone with periodic convolutions to handle longitudinal continuity and integrates time and noise embeddings through conditional layer normalization. A dual-branch decoder predicts total precipitation and other variables, with targeted freezing of encoder-decoder pathways for specialized training. Training minimizes a hybrid loss combining the Continuous Ranked Probability Score (CRPS) and weighted log1p mean squared error (log1pMSE), balancing probabilistic accuracy and magnitude fidelity. During inference, the model ingests real-time Global Forecast System (GFS) initial conditions to generate 15-day forecasts autoregressively. Evaluation against GEFS using IMERG data demonstrates higher Critical Success Index (CSI) scores at precipitation thresholds of 0.1 mm, 1 mm, 10 mm, and 20 mm, highlighting improved performance for moderate to heavy rainfall.
• Abstract（参考訳）: 正確な中距離降水予測は, 気象リスク管理や災害軽減に不可欠であるが, 現在の数値気象予報システムでは依然として困難である。 GEFS(Global Ensemble Forecast System)のような伝統的なアンサンブルシステムは、特に長期のリードタイムにおいて、中程度で激しい降雨のために高い技術を維持するのに苦労している。 本研究では,大気変数の包括的モデリングによる多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発した。 このモデルは、大気上および表面予測器を含む57の入力変数を組み込んだ、NASAのグローバル降水量測定(GPM)コンステレーション(IMERG)の降水ラベルを用いて、0.25$^{\circ}$空間分解能のERA5再分析データに基づいて訓練されている。 このアーキテクチャでは、周期的な畳み込みを伴うパッチベースのSwin Transformerバックボーンを使用して、時間的連続性に対応し、条件付きレイヤの正規化を通じて時間とノイズの埋め込みを統合する。 デュアルブランチデコーダは、専用トレーニングのためのエンコーダデコーダ経路を目標とした、総降水量やその他の変数を予測する。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限に抑える。 推測中、このモデルは実時間Global Forecast System(GFS)の初期条件を取り込み、15日間の予測を自動回帰的に生成する。 IMERGデータを用いたGEFSに対する評価では,0.1mm,1mm,10mm,20mmの降水しきい値において高い臨界成功指数(CSI)値を示し,中程度から重い降水に対する性能の向上が示された。

関連論文リスト

• Wavelet-SARIMA-Transformer: A Hybrid Model for Rainfall Forecasting [0.0]
  本研究は,1971年から2023年の間にインド北東部の5つの気象区分にまたがる月間降雨量の予測を行うハイブリッドウェーブレットSARIMAトランスフォーマー(WST)を開発した。
  論文  参考訳（メタデータ） (2025-09-15T13:27:19Z)
• Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
  高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。 本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:38Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals for GPM: A U-Net Convolutional LSTM Architecture [3.5776345196917254]
  本稿では,30分毎の降水量を4時間のリードタイムでほぼ全世界的に予測する深層学習アーキテクチャを提案する。 このアーキテクチャは、U-Netと畳み込み長短期記憶(LSTM)ニューラルネットワークを融合させる。 GPM(IMERG)のための統合MultisatellitE Retrievalsのデータと、Global Forecast System(GFS)のいくつかの主要な降水ドライバを用いてトレーニングされている。
  論文  参考訳（メタデータ） (2023-07-20T13:04:26Z)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• 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。