論文の概要: IceBench-S2S: A Benchmark of Deep Learning for Challenging Subseasonal-to-Seasonal Daily Arctic Sea Ice Forecasting in Deep Latent Space

• arxiv url: http://arxiv.org/abs/2602.02567v1
• Date: Sat, 31 Jan 2026 01:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.940859
• Title: IceBench-S2S: A Benchmark of Deep Learning for Challenging Subseasonal-to-Seasonal Daily Arctic Sea Ice Forecasting in Deep Latent Space
• Title（参考訳）: IceBench-S2S:深部潜航空間における日平均北極海氷予測における深層学習のベンチマーク
• Authors: Jingyi Xu, Shengnan Wang, Weidong Yang, Siwei Tu, Lei Bai, Ben Fei,
• Abstract要約: 人工知能の最近の進歩は、データ駆動型パン・アーキティック海氷予測システムの開発を促進する。 我々は,180日間連続して北極海氷濃度を予測することの難しさを緩和するために,DLアプローチを評価するための最初の総合的なベンチマークであるIceBench-S2Sを紹介する。 IceBench-S2Sは、異なるバックボーンのための統一的なトレーニングと評価パイプラインを提供し、極地環境監視タスクにおけるモデル選択の実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 39.539136137431335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Arctic sea ice plays a critical role in regulating Earth's climate system, significantly influencing polar ecological stability and human activities in coastal regions. Recent advances in artificial intelligence have facilitated the development of skillful pan-Arctic sea ice forecasting systems, where data-driven approaches showcase tremendous potential to outperform conventional physics-based numerical models in terms of accuracy, computational efficiency and forecasting lead times. Despite the latest progress made by deep learning (DL) forecasting models, most of their skillful forecasting lead times are confined to daily subseasonal scale and monthly averaged values for up to six months, which drastically hinders their deployment for real-world applications, e.g., maritime routine planning for Arctic transportation and scientific investigation. Extending daily forecasts from subseasonal to seasonal (S2S) scale is scientifically crucial for operational applications. To bridge the gap between the forecasting lead time of current DL models and the significant daily S2S scale, we introduce IceBench-S2S, the first comprehensive benchmark for evaluating DL approaches in mitigating the challenge of forecasting Arctic sea ice concentration in successive 180-day periods. It proposes a generalized framework that first compresses spatial features of daily sea ice data into a deep latent space. The temporally concatenated deep features are subsequently modeled by DL-based forecasting backbones to predict the sea ice variation at S2S scale. IceBench-S2S provides a unified training and evaluation pipeline for different backbones, along with practical guidance for model selection in polar environmental monitoring tasks.
• Abstract（参考訳）: 北極海氷は地球の気候を調節する上で重要な役割を担い、沿岸地域の極地生態系の安定性と人間活動に大きな影響を及ぼす。 近年の人工知能の進歩は、正確性、計算効率、リードタイムの予測において、データ駆動型アプローチが従来の物理学に基づく数値モデルを上回る可能性を示す、有能なパン・アルキティック海氷予測システムの開発を促進する。 ディープラーニング(DL)予測モデルによる最新の進歩にもかかわらず、彼らの熟練したリードタイムのほとんどは、日次サブシーズンスケールと月間平均値に最大6ヶ月間制限されており、北極圏の輸送と科学調査のための海洋定期計画のような現実世界の応用への展開を著しく妨げている。 サブシーズンからシーズン(S2S)スケールへの日次予測の拡張は、科学的に運用に不可欠である。 現在のDLモデルの予測リード時間とS2Sスケールとのギャップを埋めるため,180日間連続して北極海氷濃度を予測することの課題を緩和するために,DLアプローチを評価するための最初の総合的なベンチマークであるIceBench-S2Sを紹介した。 まず, 毎日の海氷データの空間的特徴を深い潜伏空間に圧縮する, 一般化された枠組みを提案する。 その後、S2Sスケールでの海氷変動を予測するために、DLベースの予測バックボーンによって時間的に連結された深い特徴がモデル化される。 IceBench-S2Sは、異なるバックボーンのための統一的なトレーニングと評価パイプラインを提供し、極地環境監視タスクにおけるモデル選択の実践的なガイダンスを提供する。

関連論文リスト

• Seasonal Forecasting of Pan-Arctic Sea Ice with State Space Model [7.617560936972677]
  我々は、状態空間モデルに高度な注意機構を統合するディープラーニングアーキテクチャであるIceMambaを紹介する。 IceMambaは、平均RMSEと異常相関係数(ACC)に関する全ての試験モデルより優れており、Ice Edge Error(IIEE)において第2位である。 この革新的なアプローチは、海氷の変動の影響を予見し緩和する能力を高め、気候適応を目指した戦略に不可欠な洞察を与えます。
  論文  参考訳（メタデータ） (2025-05-15T19:15:00Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
  本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。 我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。 実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T08:52:12Z)
• 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)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Sea Ice Forecasting using Attention-based Ensemble LSTM [4.965782577704965]
  本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。 日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T21:37:29Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。