論文の概要: On the Predictive Skill of Artificial Intelligence-based Weather Models for Extreme Events using Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2511.17176v1
• Date: Fri, 21 Nov 2025 11:54:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.999069
• Title: On the Predictive Skill of Artificial Intelligence-based Weather Models for Extreme Events using Uncertainty Quantification
• Title（参考訳）: 不確実性定量化を用いた極端事象に対する人工知能に基づく気象モデルの予測スキルについて
• Authors: Rodrigo Almeida, Noelia Otero, Miguel-Ángel Fernández-Torres, Jackie Ma,
• Abstract要約: 本研究は,芸術決定論的人工知能モデルが初期条件摂動にどう反応するかを考察する。 2022年8月、パキスタンの洪水と中国の熱波の2つの主要なイベントのために50の会員アンサンブルを生成します。 その結果,流れ依存摂動は最も現実的なアンサンブルの広がりと高い確率的スキルを生み出すが,数値的な天気予報アンサンブルで性能ギャップを埋めることはできないことがわかった。
• 参考スコア（独自算出の注目度）: 0.34875901464487297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of extreme weather events remains a major challenge for artificial intelligence based weather prediction systems. While deterministic models such as FuXi, GraphCast, and SFNO have achieved competitive forecast skill relative to numerical weather prediction, their ability to represent uncertainty and capture extremes is still limited. This study investigates how state of the art deterministic artificial intelligence based models respond to initial-condition perturbations and evaluates the resulting ensembles in forecasting extremes. Using three perturbation strategies (Gaussian noise, Hemispheric Centered Bred Vectors, and Huge Ensembles), we generate 50 member ensembles for two major events in August 2022: the Pakistan floods and the China heatwave. Ensemble skill is assessed against ERA5 and compared with IFS ENS and the probabilistic AIFSENS model using deterministic and probabilistic metrics. Results show that flow dependent perturbations produce the most realistic ensemble spread and highest probabilistic skill, narrowing but not closing the performance gap with numerical weather prediction ensembles. Across variables, artificial intelligence based weather models capture temperature extremes more effectively than precipitation. These findings demonstrate that input perturbations can extend deterministic models toward probabilistic forecasting, paving the way for approaches that combine flow dependent perturbations with generative or latent-space uncertainty modeling for reliable artificial intelligence-driven early warning systems.
• Abstract（参考訳）: 極端な気象事象の正確な予測は、人工知能に基づく天気予報システムにとって依然として大きな課題である。 FuXi、GraphCast、SFNOなどの決定論的モデルは、数値的な天気予報と比較して競争力のある予測技術を達成したが、不確実性を表現し、極端なものを捉える能力はまだ限られている。 本研究では,最先端の決定論的人工知能に基づくモデルが初期条件の摂動にどのように反応するかを考察し,極端な予測における結果のアンサンブルを評価する。 2022年8月,パキスタンの洪水と中国熱波の2つの主要なイベントに対して,3つの摂動戦略(ガウスノイズ,半球中心のブレッドベクター,巨大なアンサンブル)を用いて50個のメンバーアンサンブルを生成した。 エンサンブルスキルは、ERA5に対して評価され、決定論的および確率論的指標を用いて、IFS ENSと確率論的AIFSENSモデルと比較される。 その結果,流れ依存摂動は最も現実的なアンサンブルの広がりと高い確率的スキルを生み出すが,数値的な天気予報アンサンブルで性能ギャップを埋めることはできないことがわかった。 変数全体にわたって、人工知能ベースの気象モデルでは、降水よりも極端な温度を効果的に捉えている。 これらの結果から,入力摂動は確率的予測に向けて決定論的モデルを拡張し,フロー依存摂動と生成的・潜時的不確実性モデリングを組み合わせ,信頼度の高い人工知能駆動型早期警報システムにアプローチする方法が示唆された。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Uncertainty quantification for data-driven weather models [0.0]
  本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。 具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。 欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:07:51Z)
• 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)
• A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
  我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。 また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
  論文  参考訳（メタデータ） (2024-01-27T05:53:16Z)
• 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)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)

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。