Fugu-MT 論文翻訳(概要): High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid

論文の概要: High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid

arxiv url: http://arxiv.org/abs/2511.23043v1
Date: Fri, 28 Nov 2025 10:08:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-01 19:47:55.85223
Title: High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid
Title（参考訳）: ストレッチグリッドを用いた高分解能確率データ駆動気象モデリング
Authors: Even Marius Nordhagen, Håvard Homleid Haugen, Aram Farhad Shafiq Salihi, Magnus Sikora Ingstad, Thomas Nils Nipen, Ivar Ambjørn Seierstad, Inger-Lise Frogner, Mariana Clare, Simon Lang, Matthew Chantry, Peter Dueben, Jørn Kristiansen,
Abstract要約: 本研究では、任意の予測長とアンサンブルサイズで87変数の高空間分解能を実現するためのデータ駆動型気象モデルを提案する。このモデルは、実空間とスペクトル空間におけるポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いて訓練される。
参考スコア（独自算出の注目度）: 1.2136581144377903
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We present a probabilistic data-driven weather model capable of providing an ensemble of high spatial resolution realizations of 87 variables at arbitrary forecast length and ensemble size. The model uses a stretched grid, dedicating 2.5 km resolution to a region of interest, and 31 km resolution elsewhere. Based on a stochastic encoder-decoder architecture, the model is trained using a loss function based on the Continuous Ranked Probability Score (CRPS) evaluated point-wise in real and spectral space. The spectral loss components is shown to be necessary to create fields that are spatially coherent. The model is compared to high-resolution operational numerical weather prediction forecasts from the MetCoOp Ensemble Prediction System (MEPS), showing competitive forecasts when evaluated against observations from surface weather stations. The model produced fields that are more spatially coherent than mean squared error based models and CRPS based models without the spectral component in the loss.
Abstract（参考訳）: 本研究では,87変数の空間分解能を任意の予測長とアンサンブルサイズでアンサンブルすることができる確率的データ駆動気象モデルを提案する。このモデルは拡張グリッドを使用しており、興味のある領域に2.5kmの解像度を、他の領域に31kmの解像度を割り当てている。確率的エンコーダ・デコーダアーキテクチャに基づいて、実空間とスペクトル空間においてポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いてモデルを訓練する。スペクトル損失成分は空間的コヒーレントな場を作るために必要であることが示されている。このモデルは,MetCoOp Ensemble Prediction System (MEPS) の高分解能な数値天気予報モデルと比較し,気象観測所の観測結果と比較した場合の競合予測を示す。このモデルは、平均二乗誤差ベースモデルよりも空間的に整合性が高いフィールドと、損失のスペクトル成分を伴わないCRPSモデルを生成した。

関連論文リスト

FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文参考訳（メタデータ） (2025-07-16T11:22:18Z)
Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
論文参考訳（メタデータ） (2024-06-07T09:01:25Z)
CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文参考訳（メタデータ） (2024-05-12T23:18:14Z)
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)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
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)
Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文参考訳（メタデータ） (2023-09-11T16:25:48Z)
A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文参考訳（メタデータ） (2022-04-05T07:19:42Z)
A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。