論文の概要: SOON: Symmetric Orthogonal Operator Network for Global Subseasonal-to-Seasonal Climate Forecasting
- arxiv url: http://arxiv.org/abs/2602.15040v1
- Date: Wed, 04 Feb 2026 10:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 12:01:13.622386
- Title: SOON: Symmetric Orthogonal Operator Network for Global Subseasonal-to-Seasonal Climate Forecasting
- Title（参考訳）: SOON:グローバル・サブシーズン・ツー・シーソン気候予報のための対称直交演算子ネットワーク
- Authors: Ziyu Zhou, Tian Zhou, Shiyu Wang, James Kwok, Yuxuan Liang,
- Abstract要約: 我々は,地球規模のS2S気候予測のためのSymmetric Orthogonal Operator Network (SOON)を提案する。
SOONは、グローバルグリッドを格子環にトークン化し、帯状周期構造の整合性を保つ異方的埋め込み戦略を結合する。
Earth Reanalysis 5データセットの実験では、SOONが新しい最先端技術を確立し、精度と計算効率を予測できる既存の手法を著しく上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 38.68194205248377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate global Subseasonal-to-Seasonal (S2S) climate forecasting is critical for disaster preparedness and resource management, yet it remains challenging due to chaotic atmospheric dynamics. Existing models predominantly treat atmospheric fields as isotropic images, conflating the distinct physical processes of zonal wave propagation and meridional transport, and leading to suboptimal modeling of anisotropic dynamics. In this paper, we propose the Symmetric Orthogonal Operator Network (SOON) for global S2S climate forecasting. It couples: (1) an Anisotropic Embedding strategy that tokenizes the global grid into latitudinal rings, preserving the integrity of zonal periodic structures; and (2) a stack of SOON Blocks that models the alternating interaction of Zonal and Meridional Operators via a symmetric decomposition, structurally mitigating discretization errors inherent in long-term integration. Extensive experiments on the Earth Reanalysis 5 dataset demonstrate that SOON establishes a new state-of-the-art, significantly outperforming existing methods in both forecasting accuracy and computational efficiency.
- Abstract（参考訳）: S2S(S2S)の正確な気候予報は、災害対策や資源管理に重要であるが、カオス的な大気動態のため、依然として困難である。
既存のモデルは、主に大気の磁場を等方性画像として扱い、帯状波伝播と乾燥輸送の異なる物理過程を融合させ、異方性力学の最適下モデリングに繋がる。
本稿では,地球規模のS2S気候予測のためのSymmetric Orthogonal Operator Network (SOON)を提案する。
1)グローバルグリッドを相対環にトークン化し、帯状周期構造の整合性を保つ非等方的埋め込み戦略、(2)対称分解によるゾナルとメリディショナル演算子の交互相互作用をモデル化するSOONブロックのスタック、そして、長期統合に固有の離散化誤差を構造的に緩和する。
アース・リアナリシス5のデータセットに関する大規模な実験は、SOONが新しい最先端の手法を確立し、精度と計算効率の両方において既存の手法を著しく上回っていることを示している。
関連論文リスト
- Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - Skillful Subseasonal-to-Seasonal Forecasting of Extreme Events with a Multi-Sphere Coupled Probabilistic Model [15.895958611071286]
TianXing-S2Sは、グローバルS2Sの日次アンサンブル予測のための多球結合確率モデルである。
本モデルでは, 熱波や異常降水などの極端な現象を, 巧妙に予測できる。
論文 参考訳（メタデータ） (2025-12-14T04:28:51Z) - Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting [9.604302577187788]
S2S予測は農業計画、エネルギー管理、災害対策にとって重要なフロンティアである。
現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。
textbfTelePiTは,マルチスケール物理とテレコネクション認識を統合してグローバルなS2S予測を強化する,新しいディープラーニングアーキテクチャである。
論文 参考訳（メタデータ） (2025-06-08T16:32:21Z) - A machine learning model for skillful climate system prediction [12.912679599908984]
本稿では、29変数に対して、毎日60日間のグローバルな予測を提供するAIベースの気候システムモデルであるFengShun-CSMを紹介する。
このモデルは、ほとんどの変数を予測するために、ECMWF (European Centre for Medium-Range Weather Forecasts) subseasonal-to-seasonal (S2S) モデルよりも大幅に優れている。
特筆すべきは、FengShun-CSMは、海底の極端な事象を予測する大きな可能性を示すことである。
論文 参考訳（メタデータ） (2025-05-06T03:06:14Z) - TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State [23.8714341737652]
正確なサブシーズン・ツー・シーソン(S2S)予測は農業、エネルギー生産、緊急管理において決定に不可欠である。
近年のデータ駆動型研究は有望な結果を示しているが、その性能は気候状態の不十分な取り込みとモデル劣化傾向によって制限されている。
本研究では,気象予報モデルであるTianQuan-S2Sを提案する。
論文 参考訳（メタデータ） (2025-04-14T07:02:34Z) - Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。
本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。
従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
論文 参考訳（メタデータ） (2025-04-01T00:21:31Z) - CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。
地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
論文 参考訳（メタデータ） (2025-02-27T04:26:23Z) - 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) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳（メタデータ） (2020-10-20T15:31:38Z)
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。