論文の概要: Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting

• arxiv url: http://arxiv.org/abs/2511.00049v1
• Date: Tue, 28 Oct 2025 10:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.540437
• Title: Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
• Title（参考訳）: 多地点気象予報のための自己監督事前学習を用いた適応時空間グラフ
• Authors: Yao Liu,
• Abstract要約: 本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。 提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。 このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
• 参考スコア（独自算出の注目度）: 3.5137191090796054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and robust weather forecasting remains a fundamental challenge due to the inherent spatio-temporal complexity of atmospheric systems. In this paper, we propose a novel self-supervised learning framework that leverages spatio-temporal structures to improve multi-variable weather prediction. The model integrates a graph neural network (GNN) for spatial reasoning, a self-supervised pretraining scheme for representation learning, and a spatio-temporal adaptation mechanism to enhance generalization across varying forecasting horizons. Extensive experiments on both ERA5 and MERRA-2 reanalysis datasets demonstrate that our approach achieves superior performance compared to traditional numerical weather prediction (NWP) models and recent deep learning methods. Quantitative evaluations and visual analyses in Beijing and Shanghai confirm the model's capability to capture fine-grained meteorological patterns. The proposed framework provides a scalable and label-efficient solution for future data-driven weather forecasting systems.
• Abstract（参考訳）: 正確な、堅牢な天気予報は、大気系固有の時空間的複雑さのため、依然として根本的な課題である。 本稿では,多変量気象予測を改善するために時空間構造を利用した自己教師型学習フレームワークを提案する。 このモデルは、空間推論のためのグラフニューラルネットワーク(GNN)、表現学習のための自己教師付き事前学習スキーム、および様々な予測地平線をまたいだ一般化を促進する時空間適応機構を統合する。 ERA5とMERRA-2リアナリシスデータセットの大規模な実験により,従来の数値天気予報モデルや最近の深層学習手法と比較して,本手法が優れた性能を発揮することが示された。 北京と上海の定量的評価と視覚分析により、詳細な気象パターンを捉える能力が確認された。 提案するフレームワークは,将来のデータ駆動気象予報システムに対して,スケーラブルでラベル効率のよいソリューションを提供する。

関連論文リスト

• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• Exploring Multimodal AI Reasoning for Meteorological Forecasting from Skew-T Diagrams [4.036372578802888]
  VLM(Vision-Language Models)は、他の科学領域でも有望であるが、気象図解釈への応用はほとんど未発見である。 我々は,スキューT図を小型言語モデル (LM) と人間の予測器をエミュレートする小型VLMを用いた軽量AIアシスタントを提案する。
  論文  参考訳（メタデータ） (2025-08-17T01:36:31Z)
• 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)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• 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)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)

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。