論文の概要: WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling
- arxiv url: http://arxiv.org/abs/2602.03924v1
- Date: Tue, 03 Feb 2026 18:58:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.230267
- Title: WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling
- Title（参考訳）: WIND:ゼロショット大気モデルのための気象逆拡散
- Authors: Michael Aich, Andreas Fürst, Florian Sestak, Carlos Ruiz-Gonzalez, Niklas Boers, Johannes Brandstetter,
- Abstract要約: 多数のタスクにまたがる特別なベースラインを置き換えることのできる,単一の事前学習基盤モデルであるWINDを紹介する。
ドメイン固有の問題を逆問題として厳密に分類し、後続サンプリングを用いて解決する。
地球温暖化シナリオ下での極端気象事象の物理的に一貫した対実的ストーリーラインを生成するモデルの性能を実証する。
- 参考スコア（独自算出の注目度）: 19.471234487904514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has revolutionized weather and climate modeling, yet the current landscape remains fragmented: highly specialized models are typically trained individually for distinct tasks. To unify this landscape, we introduce WIND, a single pre-trained foundation model capable of replacing specialized baselines across a vast array of tasks. Crucially, in contrast to previous atmospheric foundation models, we achieve this without any task-specific fine-tuning. To learn a robust, task-agnostic prior of the atmosphere, we pre-train WIND with a self-supervised video reconstruction objective, utilizing an unconditional video diffusion model to iteratively reconstruct atmospheric dynamics from a noisy state. At inference, we frame diverse domain-specific problems strictly as inverse problems and solve them via posterior sampling. This unified approach allows us to tackle highly relevant weather and climate problems, including probabilistic forecasting, spatial and temporal downscaling, sparse reconstruction and enforcing conservation laws purely with our pre-trained model. We further demonstrate the model's capacity to generate physically consistent counterfactual storylines of extreme weather events under global warming scenarios. By combining generative video modeling with inverse problem solving, WIND offers a computationally efficient paradigm shift in AI-based atmospheric modeling.
- Abstract（参考訳）: 深層学習は気象と気候のモデリングに革命をもたらしたが、現在の景観は断片的であり、高度に専門化されたモデルは通常、個々のタスクのために個別に訓練されている。
この状況を統一するために、WINDは、多数のタスクにまたがる特別なベースラインを置き換えることのできる、訓練済みの1つの基礎モデルである。
重要なことに、従来の大気基盤モデルとは対照的に、タスク固有の微調整なしでこれを実現する。
本研究では,非条件ビデオ拡散モデルを用いて,雑音状態から大気動態を反復的に再構成する自己教師付きビデオ再構成目標を用いて,WINDを事前訓練する。
推論では,ドメイン固有の問題を逆問題として厳密に分類し,後続サンプリングを用いて解決する。
この統合されたアプローチにより、確率的予測、空間的および時間的ダウンスケーリング、スパース再構築、保存法をトレーニング済みモデルで純粋に強化するなど、高度に関連する気象・気候問題に対処することが可能となる。
さらに,地球温暖化シナリオ下での極端気象事象の物理的に一貫した反現実的ストーリーラインを生成するためのモデルの能力を実証する。
生成的ビデオモデリングと逆問題解決を組み合わせることで、WINDはAIベースの大気モデルにおける計算効率の良いパラダイムシフトを提供する。
関連論文リスト
- A Space-Time Transformer for Precipitation Forecasting [38.87144329787491]
SaTformerは、衛星の放射光から極端な降水量を予測するビデオトランスフォーマーだ。
我々は降水量の回帰を分類問題に再構成し、ラベルの不均衡に対処するためにクラス重み付き損失を用いる。
私たちのモデルは、NeurIPS Weather4Cast 2025 Cumulative Rainfall Challengeで1位を獲得しました。
論文 参考訳（メタデータ） (2025-11-14T09:10:31Z) - A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。
本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
論文 参考訳（メタデータ） (2024-12-19T19:47:35Z) - WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。
気象理解タスクの幅広い範囲を統一的な方法で解決する。
我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文 参考訳（メタデータ） (2024-11-08T09:14:19Z) - Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。
このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。
本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
論文 参考訳（メタデータ） (2024-09-20T15:53:17Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。
我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。
このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
論文 参考訳（メタデータ） (2024-06-21T00:16:55Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳（メタデータ） (2022-08-24T03:13:04Z) - Generative modeling of spatio-temporal weather patterns with extreme
event conditioning [12.009805255100574]
検出された極端な事象に基づいて気象パターンを生成する新しいGANベースのアプローチを提案する。
我々のアプローチは、極端気象イベントセグメンテーションマスクを符号化したGANディスクアンドリミネーターを増強する。
実世界の地表放射と風速データを用いた実験における我々のアプローチの適用可能性を強調します。
論文 参考訳（メタデータ） (2021-04-26T10:58:44Z)
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。