論文の概要: SynWeather: Weather Observation Data Synthesis across Multiple Regions and Variables via a General Diffusion Transformer

• arxiv url: http://arxiv.org/abs/2511.08291v3
• Date: Sat, 15 Nov 2025 01:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.278534
• Title: SynWeather: Weather Observation Data Synthesis across Multiple Regions and Variables via a General Diffusion Transformer
• Title（参考訳）: SynWeather: 一般拡散変換器による複数の地域・変数にわたる気象観測データ合成
• Authors: Kaiyi Xu, Junchao Gong, Zhiwang Zhou, Zhangrui Li, Yuandong Pu, Yihao Liu, Ben Fei, Fenghua Ling, Wenlong Zhang, Lei Bai,
• Abstract要約: 我々はSynWeatherについて紹介する。SynWeatherは、統一されたマルチリージョンおよび多変量気象観測データ合成のために設計された最初のデータセットである。 SynWeatherは、米国大陸、ヨーロッパ、東アジア、熱帯サイクロンの4つの代表地域をカバーしている。 これは、複合レーダ反射率、時間的降水、可視光、マイクロ波明度温度など、主要な気象変数の高分解能な観測を提供する。 さらに,Diffusion Transformerフレームワーク上に構築された一般確率型気象合成モデルであるSynWeatherDiffを導入する。
• 参考スコア（独自算出の注目度）: 26.46147741268091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement of meteorological instruments, abundant data has become available. Current approaches are typically focus on single-variable, single-region tasks and primarily rely on deterministic modeling. This limits unified synthesis across variables and regions, overlooks cross-variable complementarity and often leads to over-smoothed results. To address above challenges, we introduce SynWeather, the first dataset designed for Unified Multi-region and Multi-variable Weather Observation Data Synthesis. SynWeather covers four representative regions: the Continental United States, Europe, East Asia, and Tropical Cyclone regions, as well as provides high-resolution observations of key weather variables, including Composite Radar Reflectivity, Hourly Precipitation, Visible Light, and Microwave Brightness Temperature. In addition, we introduce SynWeatherDiff, a general and probabilistic weather synthesis model built upon the Diffusion Transformer framework to address the over-smoothed problem. Experiments on the SynWeather dataset demonstrate the effectiveness of our network compared with both task-specific and general models.
• Abstract（参考訳）: 気象観測器の進歩により、豊富なデータが入手できるようになった。 現在のアプローチは一般的に単一変数の単一領域タスクに重点を置いており、主に決定論的モデリングに依存している。 これは変数や領域間で統一的な合成を制限し、多変数の相補性を見落とし、しばしば過度に滑らかな結果をもたらす。 上記の課題に対処するためにSynWeatherを導入する。SynWeatherは、Unified Multi-rea and Multi-variable Weather Observation Data Synthesisのために設計された最初のデータセットである。 SynWeatherは、大陸アメリカ、ヨーロッパ、東アジア、熱帯サイクルの4つの代表的な地域をカバーし、複合レーダ反射率、時間的降水量、可視光度、マイクロ波明度温度などの主要な気象変数の高分解能観測を提供する。 さらに,Diffusion Transformerフレームワーク上に構築された一般確率型気象合成モデルであるSynWeatherDiffを導入する。 SynWeatherデータセットの実験では、タスク固有のモデルと一般的なモデルの両方と比較して、ネットワークの有効性が示されている。

関連論文リスト

• AquaCast: Urban Water Dynamics Forecasting with Precipitation-Informed Multi-Input Transformer [3.3333213240832134]
  本研究は,マルチインプット・マルチアウトプット深層学習モデルを開発することにより,都市水力学の予測課題に対処する。 モデルであるAquaCastは、すべての入力にまたがる変数間および時間的依存関係をキャプチャする。 都市排水センサを4つ搭載したLasanneCityデータセットについて検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:42:34Z)
• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
  気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。 正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。 本研究は,時系列予測のための修正注意文(FATE)を提示する。
  論文  参考訳（メタデータ） (2024-08-21T04:40:18Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with Missing Values for Environmental Monitoring [0.0]
  センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。 計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T17:06:23Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• 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)
• Controlling Weather Field Synthesis Using Variational Autoencoders [0.0]
  本稿では、気候データを既知の分布にマッピングすることで、そのようなバイアスを探索する方法について検討する。 In-dia南西部のモンスーンの影響した降水データセットを用いて実験を行った。 我々は,複素ウェザーデータを既知の分布にマッピングすることで,気象場合成の効率的な制御を極端に多く(あるいはそれ以下)行うことを報告した。
  論文  参考訳（メタデータ） (2021-07-30T19:17:30Z)

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。