論文の概要: Bridging Artificial Intelligence and Data Assimilation: The Data-driven Ensemble Forecasting System ClimaX-LETKF
- arxiv url: http://arxiv.org/abs/2512.14444v1
- Date: Tue, 16 Dec 2025 14:30:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-17 16:49:26.748147
- Title: Bridging Artificial Intelligence and Data Assimilation: The Data-driven Ensemble Forecasting System ClimaX-LETKF
- Title（参考訳）: 人工知能とデータ同化の橋渡し:データ駆動型アンサンブル予測システムClimaX-LETKF
- Authors: Akira Takeshima, Kenta Shiraishi, Atsushi Okazaki, Tadashi Tsuyuki, Shunji Kotsuki,
- Abstract要約: 我々は,データ駆動型MLによる最初のアンサンブル天気予報システムであるClimaX-LETKFを紹介する。
NCEP ADPグローバルアッパーエアと表面気象観測を同調することにより、数値気象予測(NWP)モデルとは独立して、数年にわたって安定して運用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While machine learning-based weather prediction (MLWP) has achieved significant advancements, research on assimilating real observations or ensemble forecasts within MLWP models remains limited. We introduce ClimaX-LETKF, the first purely data-driven ML-based ensemble weather forecasting system. It operates stably over multiple years, independently of numerical weather prediction (NWP) models, by assimilating the NCEP ADP Global Upper Air and Surface Weather Observations. The system demonstrates greater stability and accuracy with relaxation to prior perturbation (RTPP) than with relaxation to prior spread (RTPS), while NWP models tend to be more stable with RTPS. RTPP replaces an analysis perturbation with a weighted blend of analysis and background perturbations, whereas RTPS simply rescales the analysis perturbation. Our experiments reveal that MLWP models are less capable of restoring the atmospheric field to its attractor than NWP models. This work provides valuable insights for enhancing MLWP ensemble forecasting systems and represents a substantial step toward their practical applications.
- Abstract（参考訳）: 機械学習に基づく天気予報(MLWP)は大きな進歩を遂げているが、実際の観測やMLWPモデル内でのアンサンブル予測の同化に関する研究は依然として限られている。
我々は,データ駆動型MLによる最初のアンサンブル天気予報システムであるClimaX-LETKFを紹介する。
NCEP ADPグローバルアッパーエアと表面気象観測を同調することにより、数値気象予測(NWP)モデルとは独立して、数年にわたって安定して運用されている。
このシステムは, RTPSよりもRTPPの緩和により安定性と精度が向上し, NWPモデルはRTPSの安定性が向上する傾向にある。
RTPPは分析摂動を解析と背景摂動の重み付けの混合に置き換えるが、RTPSは解析摂動を再スケールする。
実験の結果,MLWPモデルでは,NWPモデルよりも大気場をアトラクタに復元する能力が低いことがわかった。
本研究は,MLWPアンサンブル予測システムの強化に有用な知見を提供し,実用化に向けた重要な一歩である。
関連論文リスト
- 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) - 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) - Statistical post-processing yields accurate probabilistic forecasts from Artificial Intelligence weather models [0.0]
我々は,気象局の統計後処理システムIMPROVERをECMWFの決定論的AIFSに適用することをテストする。
我々はAIFSとNWPモデルを組み合わせることで、AIFS単独が最も正確なコンポーネントではない場合でも、全体的な予測スキルが向上することを示した。
論文 参考訳（メタデータ） (2025-04-17T06:05:10Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [16.562512279873577]
我々は,最大15日間のグローバルアンサンブル天気予報を実現するために設計された,高度なMLモデルであるFuXi-ENSを紹介する。
FuXi-ENS は空間分解能が 0.25 度大きく向上し、13の圧力レベルで5つの大気変数と13の表面変数が組み込まれている。
その結果,FXi-ENSは360変数の98.1%のCRPSと予測リードタイムの組み合わせで,世界有数のNWPモデルであるECMWFのアンサンブル予測よりも優れていた。
論文 参考訳（メタデータ） (2024-05-09T17:15:09Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - 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)
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。