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
- DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - 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) - Spatiotemporal Forecasting in Climate Data Using EOFs and Machine Learning Models: A Case Study in Chile [0.0]
本研究は、時系列予測のための機械学習(ML)手法と確立された統計的手法を統合する、革新的で効率的なハイブリッド手法を用いる。
この手法はチリの領域をカバーする気候データグリッドに適用される。
論文 参考訳（メタデータ） (2025-02-21T01:34:38Z) - Local Off-Grid Weather Forecasting with Multi-Modal Earth Observation Data [5.147520971893645]
森林火災の管理と再生可能エネルギーの発生は、地球表面付近の正確な局部的な天気予報を必要とする。
機械学習モデルや数値天気予報システムによって生成された予測は、通常、大規模な正規グリッド上で生成される。
本稿では,マルチグラニュアルトランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2024-10-16T18:25:43Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - 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) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - 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。