論文の概要: China Regional 3km Downscaling Based on Residual Corrective Diffusion Model

• arxiv url: http://arxiv.org/abs/2512.05377v2
• Date: Tue, 09 Dec 2025 04:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 14:12:22.920429
• Title: China Regional 3km Downscaling Based on Residual Corrective Diffusion Model
• Title（参考訳）: 残留補正拡散モデルに基づく中国の3kmダウンスケーリング
• Authors: Honglu Sun, Hao Jing, Zhixiang Dai, Sa Xiao, Wei Xue, Jian Sun, Qifeng Lu,
• Abstract要約: この研究は、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。 CorrDiffのオリジナルの作品とは対照的に、この作品で考慮された地域は40倍近く大きい。 ディープラーニングはこのタスクの強力なツールとして登場し、様々な高性能超解像モデルを生み出している。
• 参考スコア（独自算出の注目度）: 39.12803910865843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental challenge in numerical weather prediction is to efficiently produce high-resolution forecasts. A common solution is applying downscaling methods, which include dynamical downscaling and statistical downscaling, to the outputs of global models. This work focuses on statistical downscaling, which establishes statistical relationships between low-resolution and high-resolution historical data using statistical models. Deep learning has emerged as a powerful tool for this task, giving rise to various high-performance super-resolution models, which can be directly applied for downscaling, such as diffusion models and Generative Adversarial Networks. This work relies on a diffusion-based downscaling framework named CorrDiff. In contrast to the original work of CorrDiff, the region considered in this work is nearly 40 times larger, and we not only consider surface variables as in the original work, but also encounter high-level variables (six pressure levels) as target downscaling variables. In addition, a global residual connection is added to improve accuracy. In order to generate the 3km forecasts for the China region, we apply our trained models to the 25km global grid forecasts of CMA-GFS, an operational global model of the China Meteorological Administration (CMA), and SFF, a data-driven deep learning-based weather model developed from Spherical Fourier Neural Operators (SFNO). CMA-MESO, a high-resolution regional model, is chosen as the baseline model. The experimental results demonstrate that the forecasts downscaled by our method generally outperform the direct forecasts of CMA-MESO in terms of MAE for the target variables. Our forecasts of radar composite reflectivity show that CorrDiff, as a generative model, can generate fine-scale details that lead to more realistic predictions compared to the corresponding deterministic regression models.
• Abstract（参考訳）: 数値気象予測の基本的な課題は、高解像度の予測を効率的に作成することである。 一般的な解決策は、グローバルモデルの出力に動的ダウンスケーリングや統計的ダウンスケーリングを含むダウンスケーリング手法を適用することである。 この研究は、統計モデルを用いて、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。 ディープラーニングはこのタスクの強力なツールとして登場し、拡散モデルやジェネレーティブ・ディバイサル・ネットワークなどのダウンスケーリングに直接適用可能な、様々な高性能超解像モデルを生み出している。 この作業は、CorrDiffという拡散ベースのダウンスケーリングフレームワークに依存している。 CorrDiffのオリジナルの研究とは対照的に、この研究で考慮された領域は40倍近く大きく、曲面変数を元の作業とみなすだけでなく、ターゲットのダウンスケーリング変数として高レベル変数(6つの圧力レベル)に遭遇する。 さらに、精度を向上させるため、グローバルな残差接続が追加される。 中国気象庁(CMA)の運用グローバルモデルであるCMA-GFSの25kmグローバルグリッド予測と,球状フーリエニューラルオペレータ(SFNO)から開発されたデータ駆動深層学習型気象モデルであるSFFに適用した。 高解像度の地域モデルであるCMA-MESOがベースラインモデルとして選択される。 実験結果から,本手法による下降予測は,ターゲット変数のMAEでCMA-MESOの直接予測を上回っていることがわかった。 レーダ複合反射率の予測は,CorrDiffが生成モデルとして,対応する決定論的回帰モデルと比較して,より現実的な予測を導出できることを示す。

関連論文リスト

• A comparison of stretched-grid and limited-area modelling for data-driven regional weather forecasting [0.493599216374976]
  限界領域モデル (LAM) とストレッチグリッドモデル (SGM) は高分解能な地域予測を生成するために出現している。 本研究の目的は,モデル設計の違いが相対的な性能と潜在的な応用に与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-07-24T12:54:08Z)
• Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
  地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。 本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。 従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
  論文  参考訳（メタデータ） (2025-04-01T00:21:31Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• 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)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。