論文の概要: Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting
- arxiv url: http://arxiv.org/abs/2511.23387v1
- Date: Fri, 28 Nov 2025 17:27:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.999934
- Title: Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting
- Title（参考訳）: 階層型AI-気象学者:マルチスケールおよび説明可能な気象予報のためのLLM-Agentシステム
- Authors: Daniil Sukhorukov, Andrei Zakharov, Nikita Glazkov, Katsiaryna Yanchanka, Vladimir Kirilin, Maxim Dubovitsky, Roman Sultimov, Yuri Maksimov, Ilya Makarov,
- Abstract要約: 階層型AI-気象学者は、階層型予測推論と天気キーワード生成を用いて説明可能な天気予報を生成する。
本フレームワークは,時間,6時間,日毎の多段階的推論を行い,短期的動態と長期的傾向の両方を捉える。
- 参考スコア（独自算出の注目度）: 3.0354231393746685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the Hierarchical AI-Meteorologist, an LLM-agent system that generates explainable weather reports using a hierarchical forecast reasoning and weather keyword generation. Unlike standard approaches that treat forecasts as flat time series, our framework performs multi-scale reasoning across hourly, 6-hour, and daily aggregations to capture both short-term dynamics and long-term trends. Its core reasoning agent converts structured meteorological inputs into coherent narratives while simultaneously extracting a few keywords effectively summarizing the dominant meteorological events. These keywords serve as semantic anchors for validating consistency, temporal coherence and factual alignment of the generated reports. Using OpenWeather and Meteostat data, we demonstrate that hierarchical context and keyword-based validation substantially improve interpretability and robustness of LLM-generated weather narratives, offering a reproducible framework for semantic evaluation of automated meteorological reporting and advancing agent-based scientific reasoning.
- Abstract（参考訳）: 本稿では,階層的予測推論と天気キーワード生成を用いて,説明可能な天気予報を生成するLLMエージェントシステムである階層型AI-Meteorologistを提案する。
予測を平らな時系列として扱う標準的なアプローチとは異なり、我々のフレームワークは、短期的ダイナミクスと長期的トレンドの両方を捉えるために、時間、時間、6時間、日毎の集約にまたがるマルチスケール推論を実行する。
その中心となる推論エージェントは、構造化された気象入力を一貫性のある物語に変換し、同時に支配的な気象事象を効果的に要約するいくつかのキーワードを抽出する。
これらのキーワードは、生成されたレポートの一貫性、時間的コヒーレンス、事実的アライメントを検証するためのセマンティックアンカーとして機能する。
OpenWeather と Meteostat のデータを用いて,LLM 生成した気象物語の解釈可能性と堅牢性を大幅に向上し,自動気象報告のセマンティック評価のための再現可能なフレームワークとエージェントベースの科学的推論の進歩を実証した。
関連論文リスト
- Agentic AI Framework for Cloudburst Prediction and Coordinated Response [0.8697317909540486]
本論文は,大気水循環インテリジェンスを研究するエージェント人工知能システムについて概説する。
このフレームワークは、イベントライフサイクル全体を通じて、推論、意味、行動する自律的だが協調的なエージェントを使用する。
スケーラブルな適応性と学習ベースの気候レジリエンスのプラットフォームを提供する。
論文 参考訳（メタデータ） (2025-11-27T21:33:03Z) - Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
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。
論文 参考訳（メタデータ） (2025-10-28T10:52:15Z) - Zephyrus: An Agentic Framework for Weather Science [47.611521052984365]
気象学の基礎モデルは、大量の構造化された数値データと従来の天気予報システムより優れた性能で事前訓練されている。
大規模言語モデル(LLM)は、テキストの理解と生成に優れるが、高次元の気象データセットを推論することはできない。
気象学の新しいエージェント・フレームワークを構築することで、このギャップを埋める。
我々は、気象データセットを反復的に分析し、結果を観察し、会話フィードバックループを通じてアプローチを洗練するマルチターンLCMベースの気象エージェントであるZephyrusを設計する。
論文 参考訳（メタデータ） (2025-10-05T03:34:08Z) - RadarQA: Multi-modal Quality Analysis of Weather Radar Forecasts [25.396253136103432]
MLLMに基づく天気予報分析手法であるRadarQAを導入する。
RadarQAは、すべての評価設定において、既存の一般的なMLLMよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-08-17T08:50:07Z) - 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) - 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) - 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) - 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)
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。