論文の概要: DK-STN: A Domain Knowledge Embedded Spatio-Temporal Network Model for MJO Forecast

• arxiv url: http://arxiv.org/abs/2512.19506v1
• Date: Mon, 22 Dec 2025 16:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.817746
• Title: DK-STN: A Domain Knowledge Embedded Spatio-Temporal Network Model for MJO Forecast
• Title（参考訳）: DK-STN:MJO予測のためのドメイン知識組み込み時空間ネットワークモデル
• Authors: Hongliang Li, Nong Zhang, Zhewen Xu, Xiang Li, Changzheng Liu, Chongbo Zhao, Jie Wu,
• Abstract要約: Domain Knowledge Embedded Spatio-Temporal Network (DK-STN) は、正確かつ効率的なMJO予測のための安定したニューラルネットワークモデルである。 NWP法とANN法の利点を組み合わせて、ANN法の予測精度を向上する。 DK-STNはECMWFをはるかに上回り、予測精度はECMWFと同等であるが、効率と安定性は著しく優れている。
• 参考スコア（独自算出の注目度）: 11.751617853820376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and predicting the Madden-Julian Oscillation (MJO) is fundamental for precipitation forecasting and disaster prevention. To date, long-term and accurate MJO prediction has remained a challenge for researchers. Conventional MJO prediction methods using Numerical Weather Prediction (NWP) are resource-intensive, time-consuming, and highly unstable (most NWP methods are sensitive to seasons, with better MJO forecast results in winter). While existing Artificial Neural Network (ANN) methods save resources and speed forecasting, their accuracy never reaches the 28 days predicted by the state-of-the-art NWP method, i.e., the operational forecasts from ECMWF, since neural networks cannot handle climate data effectively. In this paper, we present a Domain Knowledge Embedded Spatio-Temporal Network (DK-STN), a stable neural network model for accurate and efficient MJO forecasting. It combines the benefits of NWP and ANN methods and successfully improves the forecast accuracy of ANN methods while maintaining a high level of efficiency and stability. We begin with a spatial-temporal network (STN) and embed domain knowledge in it using two key methods: (i) applying a domain knowledge enhancement method and (ii) integrating a domain knowledge processing method into network training. We evaluated DK-STN with the 5th generation of ECMWF reanalysis (ERA5) data and compared it with ECMWF. Given 7 days of climate data as input, DK-STN can generate reliable forecasts for the following 28 days in 1-2 seconds, with an error of only 2-3 days in different seasons. DK-STN significantly exceeds ECMWF in that its forecast accuracy is equivalent to ECMWF's, while its efficiency and stability are significantly superior.
• Abstract（参考訳）: マデン・ジュリア振動(MJO)の理解と予測は,降水量の予測と防災に不可欠である。 現在まで、長期的かつ正確なMJO予測は研究者にとって課題であり続けている。 数値気象予測(NWP)を用いた従来型のMJO予測法は,資源集約,時間消費,高度に不安定である(ほとんどのNWP法は季節に敏感であり,冬にはMJO予測の精度が向上する)。 既存のArtificial Neural Network (ANN) 法は資源を節約し、速度予測を行うが、その精度は最先端のNWP法によって予測される28日に達することはない。 本稿では,DK-STN(Domain Knowledge Embedded Spatio-Temporal Network)を提案する。 NWP法とANN法の利点を組み合わせて,高い効率性と安定性を維持しつつ,ANN法の予測精度を向上する。 まず、時空間ネットワーク(STN)から始めて、2つの重要な手法を用いてドメイン知識を埋め込む。 一 ドメイン知識強化方法の適用及び (II)ドメイン知識処理手法をネットワークトレーニングに統合する。 第5世代ECMWFリアナリシス(ERA5)データを用いてDK-STNを評価し,ECMWFと比較した。 入力として7日間の気候データを与えられた場合、DK-STNは次の28日間を1-2秒で予測できる。 DK-STNはECMWFをはるかに上回り、予測精度はECMWFと同等であるが、効率と安定性は著しく優れている。

関連論文リスト

• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Convolutional GRU Network for Seasonal Prediction of the El Ni\~no-Southern Oscillation [24.35408676030181]
  本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。 提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。 その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-18T00:15:45Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)

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。