論文の概要: A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill

• arxiv url: http://arxiv.org/abs/2510.21796v1
• Date: Mon, 20 Oct 2025 14:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.519338
• Title: A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill
• Title（参考訳）: 物理誘導型AIカスケードコレクターモデル
• Authors: Xiao Zhou, Yuze Sun, Jie Wu, Xiaomeng Huang,
• Abstract要約: 我々は、MJO(PCC-MJO)のための新しいディープラーニングフレームワーク、物理誘導カスケードコレクターを導入する。 PCC-MJOは、動的モデルからMJO予測を補正するための普遍的なポストプロセッサとして機能する。 我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。
• 参考スコア（独自算出の注目度）: 12.768001894587576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Madden-Julian Oscillation (MJO) is an important driver of global weather and climate extremes, but its prediction in operational dynamical models remains challenging, with skillful forecasts typically limited to 3-4 weeks. Here, we introduce a novel deep learning framework, the Physics-guided Cascaded Corrector for MJO (PCC-MJO), which acts as a universal post-processor to correct MJO forecasts from dynamical models. This two-stage model first employs a physics-informed 3D U-Net to correct spatial-temporal field errors, then refines the MJO's RMM index using an LSTM optimized for forecast skill. When applied to three different operational forecasts from CMA, ECMWF and NCEP, our unified framework consistently extends the skillful forecast range (bivariate correlation > 0.5) by 2-8 days. Crucially, the model effectively mitigates the "Maritime Continent barrier", enabling more realistic eastward propagation and amplitude. Explainable AI analysis quantitatively confirms that the model's decision-making is spatially congruent with observed MJO dynamics (correlation > 0.93), demonstrating that it learns physically meaningful features rather than statistical fittings. Our work provides a promising physically consistent, computationally efficient, and highly generalizable pathway to break through longstanding barriers in subseasonal forecasting.
• Abstract（参考訳）: マッデン=ジュリア振動(MJO)は、地球規模の気象と気候の極端を決定づける重要な要因であるが、操作力学モデルにおける予測は依然として困難であり、熟練した予測は通常3～4週間に制限される。 本稿では,MJO の動的モデルから MJO 予測を補正する汎用のポストプロセッサとして機能する,新しいディープラーニングフレームワークである物理誘導型 MJO (PCC-MJO) について紹介する。 この2段階モデルでは、まず物理インフォームド3D U-Netを用いて空間的時間的場誤差を補正し、予測スキルに最適化されたLSTMを用いてMJOのRMMインデックスを洗練する。 CMA、ECMWF、NCEPの3つの異なる運用予測に適用した場合、我々の統合されたフレームワークは、常に熟練した予測範囲(バイバリケート相関>0.5)を2～8日延長する。 重要なことに、このモデルは「海洋大陸障壁」を効果的に緩和し、より現実的な東方伝播と振幅を可能にしている。 説明可能なAI分析は、モデルの意思決定が観測されたMJOダイナミクスと空間的に一致していること(相関 > 0.93)を定量的に確認し、統計的フィッティングよりも物理的に意味のある特徴を学ぶことを示した。 我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。

関連論文リスト

• Enhanced predictions of the Madden-Julian oscillation using the FuXi-S2S machine learning model: Insights into physical mechanisms [8.415951270526572]
  マドデン・ジュリア振動(MJO)は、季節内時間スケールにおける熱帯の大気変動の主要なモードである。 本研究では, 冬期におけるFuXiサブシーズン・ツー・シーズンMLモデル(S2S)のMJO予測性能について検討した。
  論文  参考訳（メタデータ） (2025-08-22T02:27:07Z)
• Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models [0.8749675983608172]
  マデン・ジュリアン振動(マデン・ジュリアン・オシレーション、英語: Madden-Julian Oscillation、MJO)は、地球規模の気象パターンを調節する上で重要な役割を担っている気候現象である。 ニューラルネットワークのようなほとんどの機械学習アルゴリズムは、MJO予測における不確実性レベルを直接提供できない。
  論文  参考訳（メタデータ） (2025-05-21T18:40:40Z)
• How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
  本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。 本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。 地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。 軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
  論文  参考訳（メタデータ） (2025-04-21T03:02:42Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• 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)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)

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。