論文の概要: A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS

• arxiv url: http://arxiv.org/abs/2512.09059v1
• Date: Tue, 09 Dec 2025 19:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.292573
• Title: A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS
• Title（参考訳）: CONUSによる高分解能降水予測のための拡散型フレームワーク
• Authors: Marina Vicens-Miquel, Amy McGovern, Aaron J. Hill, Efi Foufoula-Georgiou, Clement Guilloteau, Samuel S. P. Shen,
• Abstract要約: 本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
• 参考スコア（独自算出の注目度）: 0.410492188035848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate precipitation forecasting is essential for hydrometeorological risk management, especially for anticipating extreme rainfall that can lead to flash flooding and infrastructure damage. This study introduces a diffusion-based deep learning (DL) framework that systematically compares three residual prediction strategies differing only in their input sources: (1) a fully data-driven model using only past observations from the Multi-Radar Multi-Sensor (MRMS) system, (2) a corrective model using only forecasts from the High-Resolution Rapid Refresh (HRRR) numerical weather prediction system, and (3) a hybrid model integrating both MRMS and selected HRRR forecast variables. By evaluating these approaches under a unified setup, we provide a clearer understanding of how each data source contributes to predictive skill over the Continental United States (CONUS). Forecasts are produced at 1-km spatial resolution, beginning with direct 1-hour predictions and extending to 12 hours using autoregressive rollouts. Performance is evaluated using both CONUS-wide and region-specific metrics that assess overall performance and skill at extreme rainfall thresholds. Across all lead times, our DL framework consistently outperforms the HRRR baseline in pixel-wise and spatiostatistical metrics. The hybrid model performs best at the shortest lead time, while the HRRR-corrective model outperforms others at longer lead times, maintaining high skill through 12 hours. To assess reliability, we incorporate calibrated uncertainty quantification tailored to the residual learning setup. These gains, particularly at longer lead times, are critical for emergency preparedness, where modest increases in forecast horizon can improve decision-making. This work advances DL-based precipitation forecasting by enhancing predictive skill, reliability, and applicability across regions.
• Abstract（参考訳）: 正確な降水予測は、特に洪水の洪水やインフラの損傷につながる極端な降雨を予想するために、水文学的なリスク管理に不可欠である。 本研究では,Multi-Radar Multi-Sensor(MRMS)システムからの過去の観測のみを用いた完全データ駆動モデル,HRRR(High-Resolution Rapid Refresh)数値天気予報システムからの予測のみを用いた補正モデル,MRMSと選択されたHRRR予測変数を組み合わせたハイブリッドモデル,の3つの残差予測戦略を体系的に比較する拡散型ディープラーニング(DL)フレームワークを提案する。 これらのアプローチを統一的な設定で評価することにより、各データソースが米国大陸(CONUS)の予測スキルにどのように貢献するかをより明確に理解する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。 極度の降雨閾値における総合的な性能と技能を評価するCONUS全体および地域固有の指標を用いて、性能を評価する。 全てのリードタイムにおいて、私たちのDLフレームワークは、ピクセル単位および空間統計指標においてHRRRベースラインを一貫して上回ります。 ハイブリッドモデルは最短リードタイムで最高のパフォーマンスを保ち、HRRR補正モデルはより長いリードタイムで他よりも優れ、高いスキルを12時間にわたって維持する。 信頼性を評価するため、残差学習装置に合わせた校正不確実性定量化を組み込んだ。 これらの利上げ、特に長いリードタイムは、予測の地平線が緩やかな増加によって意思決定が改善する緊急の準備に不可欠である。 本研究は, 地域ごとの予測能力, 信頼性, 適用性を高めることにより, DLに基づく降水予測を推し進める。

関連論文リスト

• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• HRRRCast: a data-driven emulator for regional weather forecasting at convection allowing scales [1.3834027455392646]
  我々は、高度な機械学習技術で構築されたデータ駆動エミュレータであるHRRRCastを紹介する。 ResHRRRはResNetベースモデル(ResHRRR)であり、Graph Neural Networkベースモデル(GraphHRRR)である。 ResHRRRは降水閾値(20dBZ)でHRRR予測を上回っ、適度な閾値(30dBZ)で競争性能を達成する
  論文  参考訳（メタデータ） (2025-07-08T04:26:47Z)
• OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
  OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。 RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:46:50Z)
• 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)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• 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)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。