論文の概要: Universal Diffusion-Based Probabilistic Downscaling

• arxiv url: http://arxiv.org/abs/2602.11893v2
• Date: Thu, 19 Feb 2026 10:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.178865
• Title: Universal Diffusion-Based Probabilistic Downscaling
• Title（参考訳）: 普遍拡散に基づく確率的ダウンスケーリング
• Authors: Roberto Molinaro, Niall Siegenheim, Henry Martin, Mark Frey, Niels Poulsen, Philipp Seitz, Marvin Vincent Gabler,
• Abstract要約: 我々は、決定論的低分解能気象予測を高分解能予測に引き上げる、普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力と高分解能領域再分析ターゲットに基づいて訓練される。 我々は,90hまでのリード時間における独立駅観測に対する確率的予測を評価した。
• 参考スコア（独自算出の注目度）: 3.47037488116399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a universal diffusion-based downscaling framework that lifts deterministic low-resolution weather forecasts into probabilistic high-resolution predictions without any model-specific fine-tuning. A single conditional diffusion model is trained on paired coarse-resolution inputs (~25 km resolution) and high-resolution regional reanalysis targets (~5 km resolution), and is applied in a fully zero-shot manner to deterministic forecasts from heterogeneous upstream weather models. Focusing on near-surface variables, we evaluate probabilistic forecasts against independent in situ station observations over lead times up to 90 h. Across a diverse set of AI-based and numerical weather prediction (NWP) systems, the ensemble mean of the downscaled forecasts consistently improves upon each model's own raw deterministic forecast, and substantially larger gains are observed in probabilistic skill as measured by CRPS. These results demonstrate that diffusion-based downscaling provides a scalable, model-agnostic probabilistic interface for enhancing spatial resolution and uncertainty representation in operational weather forecasting pipelines.
• Abstract（参考訳）: モデル固有の微調整を行わずに,決定論的低分解能天気予報を確率論的高分解能予測に引き上げる,普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力(約25km)と高分解能領域再分析ターゲット(約5km)で訓練され、不均一上流気象モデルから決定論的予測を行うために完全にゼロショットで適用される。 地上近傍の変数に着目して,90hまでのリード時間における独立駅観測に対する確率的予測を評価する。 多様なAIベースおよび数値天気予報システム(NWP)において、ダウンスケール予測のアンサンブル平均は、各モデルの生の決定論的予測に対して一貫して改善され、CRPSが測定した確率的スキルにおいて、はるかに大きな利得が観察される。 これらの結果は、拡散に基づくダウンスケーリングが、運用天気予報パイプラインにおける空間分解能と不確実性表現を高めるために、スケーラブルでモデルに依存しない確率的インターフェースを提供することを示した。

関連論文リスト

• High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid [1.2136581144377903]
  本研究では、任意の予測長とアンサンブルサイズで87変数の高空間分解能を実現するためのデータ駆動型気象モデルを提案する。 このモデルは、実空間とスペクトル空間におけるポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いて訓練される。
  論文  参考訳（メタデータ） (2025-11-28T10:08:03Z)
• Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction [0.0]
  本研究の目的は, 大規模大気予測器から表層風速を回帰する際の不確実性の表現を改善することである。 確率論的ディープラーニングモデルは、複雑な空間依存をキャプチャするための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-19T18:26:46Z)
• Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion [10.905169282633256]
  条件拡散を利用した確率的限定地域気象モデルであるDiffusion-LAMを導入する。 周辺地域の境界データの条件付けにより, 本手法は定義領域内における予測を生成する。 MEPSリミテッド領域データセットの実験結果は、拡散LAMが正確な確率予測をもたらす可能性を実証している。
  論文  参考訳（メタデータ） (2025-02-11T13:15:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。