論文の概要: Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings

• arxiv url: http://arxiv.org/abs/2510.26376v1
• Date: Thu, 30 Oct 2025 11:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.777026
• Title: Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings
• Title（参考訳）: 効率的な生成AIは、突然の成層圏温暖化の確率的予測を促進する
• Authors: Ningning Tao, Fei Xie, Baoxiang Pan, Hongyu Wang, Han Huang, Zhongpu Qiu, Ke Gui, Jiali Luo, Xiaosong Chen,
• Abstract要約: 急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。 本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発した。 FM-Castは10イベントの開始、強度、形態を20日前に正確に予測し、50%以上のアンサンブル精度を達成する。
• 参考スコア（独自算出の注目度）: 11.259108118025736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sudden Stratospheric Warmings (SSWs) are key sources of subseasonal predictability and major drivers of extreme winter weather. Yet, their accurate and efficient forecast remains a persistent challenge for numerical weather prediction (NWP) systems due to limitations in physical representation, initialization, and the immense computational demands of ensemble forecasts. While data-driven forecasting is rapidly evolving, its application to the complex, three-dimensional dynamics of SSWs, particularly for probabilistic forecast, remains underexplored. Here, we bridge this gap by developing a Flow Matching-based generative AI model (FM-Cast) for efficient and skillful probabilistic forecasting of the spatiotemporal evolution of stratospheric circulation. Evaluated across 18 major SSW events (1998-2024), FM-Cast skillfully forecasts the onset, intensity, and morphology of 10 events up to 20 days in advance, achieving ensemble accuracies above 50%. Its performance is comparable to or exceeds leading NWP systems while requiring only two minutes for a 50-member, 30-day forecast on a consumer GPU. Furthermore, leveraging FM-Cast as a scientific tool, we demonstrate through idealized experiments that SSW predictability is fundamentally linked to its underlying physical drivers, distinguishing between events forced from the troposphere and those driven by internal stratospheric dynamics. Our work thus establishes a computationally efficient paradigm for probabilistic forecasting stratospheric anomalies and showcases generative AI's potential to deepen the physical understanding of atmosphere-climate dynamics.
• Abstract（参考訳）: 急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。 しかし、その正確かつ効率的な予測は、物理表現の制限、初期化、およびアンサンブル予測の膨大な計算要求により、数値気象予測(NWP)システムにとって永続的な課題である。 データ駆動予測は急速に進化しているが、SSWの複雑な3次元力学、特に確率的予測への応用は未定である。 本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発し,成層圏循環の時空間進化の予測を効率的かつ巧妙に行うことにより,このギャップを埋める。 FM-Castは1998-2024年に18件のSSWイベントで評価され、事前に10件のイベントの開始、強度、形態を正確に予測し、50%以上のアンサンブルアキュラシーを達成している。 その性能は、主要なNWPシステムと同等かそれ以上であり、コンシューマGPU上で50人のメンバによる30日間の予測にわずか2分しか必要としない。 さらに、FM-Castを科学的ツールとして活用し、SSW予測可能性が基礎となる物理要因と基本的に関連しているという理想的な実験を通して、対流圏から押し出された事象と内部成層圏力学によって駆動される事象を区別する。 我々の研究は、成層圏異常の確率論的予測のための計算学的に効率的なパラダイムを確立し、大気-気候力学の物理的理解を深めるための生成AIの可能性を示す。

関連論文リスト

• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• FuXi Weather: A data-to-forecast machine learning system for global weather [13.052716094161886]
  FuXi Weatherは、複数の衛星のデータと類似した機械学習の天気予報システムである。 FuXi 気象は、中央アフリカなどの観測圏において、ECMWF HRES を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-08-10T07:42:01Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
  機械学習天気予報モデルとECMWFの高分解能予測システムを比較した。 我々は,ML気象予報モデルが,記録破りの太平洋北西部熱波上でHRESと類似の精度を局所的に達成していることを発見した。 さらに、HRESとMLモデルのエラーが、そのイベントにどのように構築されるかという構造的な違いも強調します。
  論文  参考訳（メタデータ） (2024-04-26T18:18:25Z)
• 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)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• 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。