論文の概要: Observation-driven correction of numerical weather prediction for marine winds
- arxiv url: http://arxiv.org/abs/2512.03606v1
- Date: Wed, 03 Dec 2025 09:39:44 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 12:09:23.65079
- Title: Observation-driven correction of numerical weather prediction for marine winds
- Title（参考訳）: 海洋風の数値風速予測の観測による補正
- Authors: Matteo Peduto, Qidong Yang, Jonathan Giezendanner, Devis Tuia, Sherrie Wang,
- Abstract要約: 我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。
我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。
モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
- 参考スコア（独自算出の注目度）: 14.58447529631976
- License:
- Abstract: Accurate marine wind forecasts are essential for safe navigation, ship routing, and energy operations, yet they remain challenging because observations over the ocean are sparse, heterogeneous, and temporally variable. We reformulate wind forecasting as observation-informed correction of a global numerical weather prediction (NWP) model. Rather than forecasting winds directly, we learn local correction patterns by assimilating the latest in-situ observations to adjust the Global Forecast System (GFS) output. We propose a transformer-based deep learning architecture that (i) handles irregular and time-varying observation sets through masking and set-based attention mechanisms, (ii) conditions predictions on recent observation-forecast pairs via cross-attention, and (iii) employs cyclical time embeddings and coordinate-aware location representations to enable single-pass inference at arbitrary spatial coordinates. We evaluate our model over the Atlantic Ocean using observations from the International Comprehensive Ocean-Atmosphere Data Set (ICOADS) as reference. The model reduces GFS 10-meter wind RMSE at all lead times up to 48 hours, achieving 45% improvement at 1-hour lead time and 13% improvement at 48-hour lead time. Spatial analyses reveal the most persistent improvements along coastlines and shipping routes, where observations are most abundant. The tokenized architecture naturally accommodates heterogeneous observing platforms (ships, buoys, tide gauges, and coastal stations) and produces both site-specific predictions and basin-scale gridded products in a single forward pass. These results demonstrate a practical, low-latency post-processing approach that complements NWP by learning to correct systematic forecast errors.
- Abstract（参考訳）: 正確な海洋風速予報は安全な航法、船舶のルーティング、エネルギー運用に不可欠であるが、海洋上の観測は希少であり、異質であり、時間的に変動するため、これらは依然として困難である。
我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。
我々は風を直接予測するのではなく、最新のその場観測を同調して局所補正パターンを学習し、Global Forecast System (GFS) の出力を調整する。
本稿では,変圧器を用いたディープラーニングアーキテクチャを提案する。
一 マスキング及び集合に基づく注意機構を通じて不規則かつ時変観測セットを取り扱うこと。
二 横断的注意による最近の観測・予測対の状況予測及び
(iii) 任意の空間座標における単一パス推論を可能にするために、周期的時間埋め込みと座標認識位置表現を用いる。
我々は、ICOADS(International Comprehensive Ocean-Atmosphere Data Set)を参考に、大西洋上のモデルを評価する。
このモデルは、GFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
空間分析により、海岸線や海運ルートに沿って最も永続的な改善が示され、そこでは観測が最も豊富である。
トークン化されたアーキテクチャは、自然に異質な観測プラットフォーム(船、ブイ、潮位計、沿岸ステーション)を収容し、サイト固有の予測と盆地規模の格子状製品の両方を単一の前方通過で生成する。
これらの結果は,NWPを補完し,系統的な予測誤差を補正する実用的な低レイテンシ後処理手法を示す。
関連論文リスト
- DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。
AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。
我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文 参考訳（メタデータ） (2025-10-13T03:13:35Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。
AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。
モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
論文 参考訳（メタデータ） (2025-09-02T01:51:40Z) - Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。
このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。
以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
論文 参考訳（メタデータ） (2025-05-30T10:10:40Z) - Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。
この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
論文 参考訳（メタデータ） (2025-04-25T22:14:29Z) - 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) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。
データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。
そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-22T12:23:26Z) - 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) - Nowcasting-Nets: Deep Neural Network Structures for Precipitation
Nowcasting Using IMERG [1.9860735109145415]
リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。
GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。
また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
論文 参考訳（メタデータ） (2021-08-16T02:55:32Z)
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。