論文の概要: A Graph Neural Network Approach for Localized and High-Resolution Temperature Forecasting

• arxiv url: http://arxiv.org/abs/2512.00546v1
• Date: Sat, 29 Nov 2025 16:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.289469
• Title: A Graph Neural Network Approach for Localized and High-Resolution Temperature Forecasting
• Title（参考訳）: 局所・高分解能温度予測のためのグラフニューラルネットワークアプローチ
• Authors: Joud El-Shawa, Elham Bagheri, Sedef Akinli Kocak, Yalda Mohsenzadeh,
• Abstract要約: 熱波は最も致命的な気象災害の一つである。 現在の数値気象予測モデルは、しばしばマイクロスケールの極端を捉えない。 局所化高分解能温度予測のためのグラフニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.3182845148636309
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Heatwaves are intensifying worldwide and are among the deadliest weather disasters. The burden falls disproportionately on marginalized populations and the Global South, where under-resourced health systems, exposure to urban heat islands, and the lack of adaptive infrastructure amplify risks. Yet current numerical weather prediction models often fail to capture micro-scale extremes, leaving the most vulnerable excluded from timely early warnings. We present a Graph Neural Network framework for localized, high-resolution temperature forecasting. By leveraging spatial learning and efficient computation, our approach generates forecasts at multiple horizons, up to 48 hours. For Southwestern Ontario, Canada, the model captures temperature patterns with a mean MAE of 1.93$^{\circ}$C across 1-48h forecasts and MAE@48h of 2.93$^{\circ}$C, evaluated using 24h input windows on the largest region. While demonstrated here in a data-rich context, this work lays the foundation for transfer learning approaches that could enable localized, equitable forecasts in data-limited regions of the Global South.
• Abstract（参考訳）: 世界中の熱波が激化しており、最も致命的な気象災害の1つだ。 この負担は、未資源の健康システム、都市熱島への曝露、適応的なインフラの欠如がリスクを増幅するグローバル・サウス(Global South)に比例する。 しかし、現在の数値天気予報モデルは、しばしばマイクロスケールの極端を捉えることができず、最も脆弱なものは、タイムリーな早期警告から除外される。 局所化高分解能温度予測のためのグラフニューラルネットワークフレームワークを提案する。 空間学習と効率的な計算を活用することで,最大48時間,複数の地平線で予測を生成する。 カナダのオンタリオ州南西部では、1-48hの予測の平均MAEは1.93$^{\circ}$Cで、MAE@48hは2.93$^{\circ}$Cで、最大領域の24h入力ウィンドウを用いて評価されている。 ここでは、データ豊富な文脈で実証されているが、この研究は、グローバル・サウスのデータ限定領域における局所的で公平な予測を可能にする、トランスファーラーニングのアプローチの基礎を成している。

関連論文リスト

• Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models [0.07710102716793873]
  ニューラル気象モデル(NWM)の最近の進歩は、0.25degのグローバルグリッド上での大気環境の予測に、計算的に安価で高速なアプローチを提供する。 雷雨の場合、これらの環境は特定の場所で風速分布を予測するために経験的に後処理することができる。 そこでPangu-Weather NWMでは,時間ごとの風速を最大3日前に予測するために,統計的および深層学習後処理手法の階層化を適用した。
  論文  参考訳（メタデータ） (2025-03-31T18:25:35Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。