論文の概要: Revealing the Potential of Learnable Perturbation Ensemble Forecast Model for Tropical Cyclone Prediction

• arxiv url: http://arxiv.org/abs/2510.23794v1
• Date: Mon, 27 Oct 2025 19:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.488457
• Title: Revealing the Potential of Learnable Perturbation Ensemble Forecast Model for Tropical Cyclone Prediction
• Title（参考訳）: 熱帯サイクロン予測のための学習型摂動アンサンブル予測モデルの可能性について
• Authors: Jun Liu, Tao Zhou, Jiarui Li, Xiaohui Zhong, Peng Zhang, Jie Feng, Lei Chen, Hao Li,
• Abstract要約: 熱帯サイクロン(TC)は、非常に破壊的で本質的に不確実な気象システムである。 FuXi-ENSは、アンサンブル生成のための学習可能な摂動方式を導入している。 2018年に全90のグローバルTCでFuXi-ENSとECMWF-ENSを比較した。
• 参考スコア（独自算出の注目度）: 25.31894574399668
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tropical cyclones (TCs) are highly destructive and inherently uncertain weather systems. Ensemble forecasting helps quantify these uncertainties, yet traditional systems are constrained by high computational costs and limited capability to fully represent atmospheric nonlinearity. FuXi-ENS introduces a learnable perturbation scheme for ensemble generation, representing a novel AI-based forecasting paradigm. Here, we systematically compare FuXi-ENS with ECMWF-ENS using all 90 global TCs in 2018, examining their performance in TC-related physical variables, track and intensity forecasts, and the associated dynamical and thermodynamical fields. FuXi-ENS demonstrates clear advantages in predicting TC-related physical variables, and achieves more accurate track forecasts with reduced ensemble spread, though it still underestimates intensity relative to observations. Further dynamical and thermodynamical analyses reveal that FuXi-ENS better captures large-scale circulation, with moisture turbulent energy more tightly concentrated around the TC warm core, whereas ECMWF-ENS exhibits a more dispersed distribution. These findings highlight the potential of learnable perturbations to improve TC forecasting skill and provide valuable insights for advancing AI-based ensemble prediction of extreme weather events that have significant societal impacts.
• Abstract（参考訳）: 熱帯サイクロン(TC)は、非常に破壊的で本質的に不確実な気象システムである。 アンサンブル予測はこれらの不確実性を定量化するのに役立つが、従来のシステムは大気の非線形性を完全に表現するために高い計算コストと限られた能力に制約されている。 FuXi-ENSは、新しいAIベースの予測パラダイムを表現する、アンサンブル生成のための学習可能な摂動スキームを導入している。 そこで我々は,2018年に全90のグローバルTCを用いてFuXi-ENSとECMWF-ENSを体系的に比較し,TC関連物理変数,トラックおよびインテンシティ予測,および関連する力学および熱力学場の性能について検討した。 FuXi-ENSは、TC関連物理変数を予測する上で明らかな利点を示し、アンサンブルの拡散を減らしたより正確なトラック予測を実現するが、それでも観測に対する強度を過小評価している。 さらに動的および熱力学的な分析により、フキシエンスの方が大規模な循環をよりよく捉え、TC暖炉心周辺により密集した湿気乱流エネルギーを持つことが明らかとなった。 これらの知見は、学習可能な摂動がTC予測スキルを向上させる可能性を強調し、社会に重大な影響を及ぼす極端な気象事象のAIベースのアンサンブル予測を前進させる貴重な洞察を提供する。

関連論文リスト

• 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)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Identifying Distributional Differences in Convective Evolution Prior to Rapid Intensification in Tropical Cyclones [4.925967492198013]
  熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。 これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。 ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
  論文  参考訳（メタデータ） (2021-09-24T15:33:29Z)

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。