論文の概要: Physics-Informed Lightweight Machine Learning for Aviation Visibility Nowcasting Across Multiple Climatic Regimes

• arxiv url: http://arxiv.org/abs/2512.16967v1
• Date: Thu, 18 Dec 2025 11:40:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.131444
• Title: Physics-Informed Lightweight Machine Learning for Aviation Visibility Nowcasting Across Multiple Climatic Regimes
• Title（参考訳）: 複数のクリマティックレジームにまたがる航空可視性のための物理インフォーマル軽量機械学習
• Authors: Marcelo Cerda Castillo,
• Abstract要約: 本研究では,表面観測データ(METAR)を専門とする軽量勾配促進フレームワーク(XGBoost)を提案する。 結果は,手動による構成を伴わずに,基礎となる物理プロセスの取得に成功したことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term prediction (nowcasting) of low-visibility and precipitation events is critical for aviation safety and operational efficiency. Current operational approaches rely on computationally intensive numerical weather prediction guidance and human-issued TAF products, which often exhibit conservative biases and limited temporal resolution. This study presents a lightweight gradient boosting framework (XGBoost) trained exclusively on surface observation data (METAR) and enhanced through physics-guided feature engineering based on thermodynamic principles. The framework is evaluated across 11 international airports representing distinct climatic regimes (including SCEL, KJFK, KORD, KDEN, SBGR, and VIDP) using historical data from 2000 to 2024. Results suggest that the model successfully captures underlying local physical processes without manual configuration. In a blind comparative evaluation against operational TAF forecasts, the automated model achieved substantially higher detection rates at tactical horizons (3 hours), with a 2.5 to 4.0 times improvement in recall while reducing false alarms. Furthermore, SHAP analysis reveals that the model performs an implicit reconstruction of local physical drivers (advection, radiation, and subsidence), providing actionable explainability for operational situational awareness. Keywords: aviation meteorology; physics-guided machine learning; explainable artificial intelligence; lightweight machine learning; nowcasting; METAR; TAF verification; edge computing
• Abstract（参考訳）: 低視認性と降水現象の短期予測(報告)は、航空安全と運用効率にとって重要である。 現在の運用アプローチは、計算集約的な数値天気予報ガイダンスと人為的なTAF製品に依存しており、保守的なバイアスと時間的解像度が制限されることが多い。 本研究では,表面観測データ(METAR)を専門に訓練し,熱力学原理に基づく物理誘導機能工学により強化された軽量勾配促進フレームワーク(XGBoost)を提案する。 この枠組みは、2000年から2024年までの歴史的データを用いて、11の国際空港(SCEL、KJFK、KORD、KDEN、SBGR、VIDPを含む)で評価されている。 結果は,手動による構成を伴わずに,基礎となる物理プロセスの取得に成功したことを示唆している。 運用中のTAF予測に対するブラインド比較評価では、自動化されたモデルは戦術的地平線(3時間)で大幅に高い検出速度を達成し、リコールでは2.5倍から4.0倍改善し、誤報を低減した。 さらに、SHAP分析により、このモデルが局所的な物理的ドライバ(回避、放射線、沈下)を暗黙的に再構築し、運用状況の認識に実用的な説明性を提供することが明らかとなった。 キーワード:航空気象学、物理誘導機械学習、説明可能な人工知能、軽量機械学習、放送;METAR、TAF検証、エッジコンピューティング

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
  本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。 本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。 地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。 軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
  論文  参考訳（メタデータ） (2025-04-21T03:02:42Z)
• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• STC-ViT: Spatio Temporal Continuous Vision Transformer for Weather Forecasting [0.0]
  天気予報のための時空間連続トランスフォーマービジョンであるSTC-ViTを提案する。 STC-ViTは、連続した天気変化を時間とともに学習するために、マルチヘッドアテンション機構を備えた連続時間ニューラルODE層を組み込んでいる。 STC-ViTは,操作型数値天気予報(NWP)モデルと,深層学習に基づく天気予報モデルとを比較した。
  論文  参考訳（メタデータ） (2024-02-28T01:15:30Z)
• 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)
• Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
  本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。 本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。 提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-07-20T04:46:34Z)

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。