論文の概要: Geographic Transferability of Machine Learning Models for Short-Term Airport Fog Forecasting

• arxiv url: http://arxiv.org/abs/2510.21819v1
• Date: Tue, 21 Oct 2025 20:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.908212
• Title: Geographic Transferability of Machine Learning Models for Short-Term Airport Fog Forecasting
• Title（参考訳）: 短期空港フォッグ予測のための機械学習モデルの地理的転送可能性
• Authors: Marcelo Cerda Castillo,
• Abstract要約: 空港霧の短期予測は、地理的一般化の課題を提示する。 本研究は, 基本熱力学および放射過程を座標自由特徴集合に符号化できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term forecasting of airport fog (visibility < 1.0 km) presents challenges in geographic generalization because many machine learning models rely on location-specific features and fail to transfer across sites. This study investigates whether fundamental thermodynamic and radiative processes can be encoded in a coordinate-free (location-independent) feature set to enable geographic transferability. A gradient boosting classifier (XGBoost) trained on Santiago, Chile (SCEL, 33S) data from 2002-2009 was evaluated on a 2010-2012 holdout set and under strict zero-shot tests at Puerto Montt (SCTE), San Francisco (KSFO), and London (EGLL). The model achieved AUC values of 0.923-0.947 across distances up to 11,650 km and different fog regimes (radiative, advective, marine). Consistent SHAP feature rankings show that visibility persistence, solar angle, and thermal gradients dominate predictions, suggesting the model learned transferable physical relationships rather than site-specific patterns. Results suggest that physics-informed, coordinate-free feature engineering can yield geographically transferable atmospheric forecasting tools.
• Abstract（参考訳）: 空港霧の短期予測 (可視<1.0 km) は、多くの機械学習モデルが位置特化の特徴に依存し、サイトをまたぐ移動に失敗するため、地理的一般化の課題を提示する。 本研究では, 基本的な熱力学および放射過程を座標自由(位置非依存)な特徴集合に符号化し, 地理的移動性を実現するかを検討した。 2002-2009年のサンティアゴ、チリ(SCEL, 33S)のデータに基づいて、2010-2012年のホールトアウトセットとプエルトリコ(SCTE)、サンフランシスコ(KSFO)、ロンドン(EGLL)での厳密なゼロショットテストに基づいて、勾配促進分類器(XGBoost)を評価した。 このモデルはAUCの0.923-0.947の値を11,650kmまでの距離で達成し、霧のレジーム(放射性、対流性、海洋性)も異なる。 一貫性のあるSHAPの特徴ランキングは、可視的持続性、太陽角、熱勾配が予測を支配していることを示し、このモデルがサイト固有のパターンではなく、移動可能な物理的関係を学習したことを示唆している。 その結果,物理インフォームドで座標自由な特徴工学は,地理的に伝達可能な大気予測ツールが得られることが示唆された。

関連論文リスト

• Assessing the Geographic Generalization and Physical Consistency of Generative Models for Climate Downscaling [27.84845524112328]
  本稿では,最近の最先端ディープラーニングモデルをベンチマークし,その性能と信頼性を評価するために物理に着想を得た診断手法を提案する。 実験の結果,CorrDiffのようなモデルの性能は高いように見えるが,他の領域への一般化に苦慮していることがわかった。 本稿では、地理的一般化を実証的に改善するパワースペクトル密度損失関数を導入するという単純な初期解を提案する。
  論文  参考訳（メタデータ） (2025-10-15T16:26:29Z)
• 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)
• Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation [5.5253906228458955]
  GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。 R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。 その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T18:05:43Z)
• GAIA: A Foundation Model for Operational Atmospheric Dynamics [0.7454461126580372]
  GAIAは、マスク付きオートエンコーダ(MAE)と自己蒸留とNOラベル(DINO)を組み合わせて、衛星画像の地球大気パターンを分析する新しいモデルである。 これらの補完的な自己教師付き学習アプローチを統合することで、我々のモデルは、局所的な特徴とグローバルな依存関係の両方を同時にキャプチャする。
  論文  参考訳（メタデータ） (2025-05-15T05:07:09Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction [3.59465210252619]
  制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-22T02:40:28Z)

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。