論文の概要: STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules

• arxiv url: http://arxiv.org/abs/2601.02882v1
• Date: Tue, 06 Jan 2026 10:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.886624
• Title: STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules
• Title（参考訳）: STIPP: 適切なスコアリングルールを用いたフレンチアルプス上の時空間インシチュー後処理
• Authors: David Landry, Isabelle Gouttevin, Hugo Merizen, Claire Monteleoni, Anastase Charantonis,
• Abstract要約: Space-time In situ Postprocessing (STIPP) は、ステーション位置のネットワークに対して一貫した天気予報を生成する機械学習モデルである。 トレーニングに適切なスコアリングルールを活用することで、STIPPは分散限界のみを監督する作業駆動型大気モデルに寄与する。
• 参考スコア（独自算出の注目度）: 1.887852744008007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Space-time in situ postprocessing (STIPP), a machine learning model that generates spatio-temporally consistent weather forecasts for a network of station locations. Gridded forecasts from classical numerical weather prediction or data-driven models often lack the necessary precision due to unresolved local effects. Typical statistical postprocessing methods correct these biases, but often degrade spatio-temporal correlation structures in doing so. Recent works based on generative modeling successfully improve spatial correlation structures but have to forecast every lead time independently. In contrast, STIPP makes joint spatio-temporal forecasts which have increased accuracy for surface temperature, wind, relative humidity and precipitation when compared to baseline methods. It makes hourly ensemble predictions given only a six-hourly deterministic forecast, blending the boundaries of postprocessing and temporal interpolation. By leveraging a multivariate proper scoring rule for training, STIPP contributes to ongoing work data-driven atmospheric models supervised only with distribution marginals.
• Abstract（参考訳）: 本研究では,局位置のネットワークに対して時空間的に一貫した天気予報を生成する機械学習モデルである,時空間In situ後処理(STIPP)を提案する。 古典的な数値天気予報やデータ駆動モデルからの格子状の予測は、未解決の局所効果のために必要とされる精度を欠いていることが多い。 典型的な統計的後処理法はこれらのバイアスを補正するが、しばしば時空間相関構造を劣化させる。 生成モデルに基づく最近の研究は空間相関構造の改善に成功しているが、各リードタイムを独立して予測しなければならない。 対照的にSTIPPは, 表面温度, 風速, 相対湿度, 降水量について, ベースライン法と比較して高い精度で予測を行う。 時間毎のアンサンブル予測は、6時間毎の決定論的予測にのみ適用され、後処理と時間的補間の境界が混ざり合っている。 多変量適切なスコアリングルールをトレーニングに活用することにより、STIPPは分散限界のみを監督する進行中の作業データ駆動型大気モデルに寄与する。

関連論文リスト

• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
  深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。 我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
  論文  参考訳（メタデータ） (2020-05-18T14:23:26Z)

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。