論文の概要: AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts

• arxiv url: http://arxiv.org/abs/2602.22298v1
• Date: Wed, 25 Feb 2026 17:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.365433
• Title: AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts
• Title（参考訳）: AviaSafe: 航空安全クリティカルクラウド予測のための物理インフォームドデータ駆動モデル
• Authors: Zijian Zhu, Qiusheng Huang, Anboyu Guo, Xiaohui Zhong, Hao Li,
• Abstract要約: 現在のAI天気予報モデルは、従来の大気変数を予測するが、航空安全にとって重要な雲のマイクロ物理種を区別することはできない。 AviaSafeは、階層的な物理インフォームドニューラル予測器で、これらの4種のハイドロメータを最大7日間のリードタイムで、グローバルに6時間にわたって予測する。
• 参考スコア（独自算出の注目度）: 7.942747501408786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current AI weather forecasting models predict conventional atmospheric variables but cannot distinguish between cloud microphysical species critical for aviation safety. We introduce AviaSafe, a hierarchical, physics-informed neural forecaster that produces global, six-hourly predictions of these four hydrometeor species for lead times up to 7 days. Our approach addresses the unique challenges of cloud prediction: extreme sparsity, discontinuous distributions, and complex microphysical interactions between species. We integrate the Icing Condition (IC) index from aviation meteorology as a physics-based constraint that identifies regions where supercooled water fuels explosive ice crystal growth. The model employs a hierarchical architecture that first predicts cloud spatial distribution through masked attention, then quantifies species concentrations within identified regions. Training on ERA5 reanalysis data, our model achieves lower RMSE for cloud species compared to baseline and outperforms operational numerical models on certain key variables at 7-day lead times. The ability to forecast individual cloud species enables new applications in aviation route optimization where distinguishing between ice and liquid water determines engine icing risk.
• Abstract（参考訳）: 現在のAI天気予報モデルは、従来の大気変数を予測するが、航空安全にとって重要な雲のマイクロ物理種を区別することはできない。 AviaSafeは、階層的な物理インフォームドニューラル予測器で、これらの4種のハイドロメータを最大7日間のリードタイムで全世界で6時間にわたって予測する。 我々のアプローチは、雲の予測の独特な課題、すなわち、極度の空間性、不連続な分布、そして種間の複雑なミクロ物理学的相互作用に対処する。 我々は,超冷却水が爆発的な氷結晶成長を引き起こす地域を特定する物理に基づく制約として,航空気象学からのアイシング条件(IC)指数を統合した。 このモデルでは、最初に雲の空間分布をマスクされた注意を通して予測し、次に特定領域内の種濃度を定量化する階層的アーキテクチャを採用している。 ERA5リアナリシスデータのトレーニングにより,クラウド種のRMSEは,ベースラインに比べて低く,7日間のリードタイムで特定のキー変数上での操作数値モデルよりも優れることがわかった。 個別の雲種を予測する能力は、氷と液体水の区別がエンジンの点火リスクを決定する航空路最適化の新しい応用を可能にする。

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)
• How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting [18.312964316878283]
  RainfallBenchは、降水量計用に設計されたベンチマークである。 このデータセットは、6つの必須変数の時間間隔で記録された5年間の気象観測から導かれる。 降水性水蒸気(PWV)は、他のデータセットにない降雨の重要な指標である。
  論文  参考訳（メタデータ） (2025-09-28T03:21:24Z)
• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• 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)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction [23.075528272022282]
  本稿では,データ駆動型気象エミュレータの予測可能性範囲をS2Sタイムスケールに拡張するChaosBenchを提案する。 ChaosBench は、海、氷、土地の再分析生成物を含む、典型的な大気圏 ERA5 以外の変数で構成されている。 我々は、4つの国家気象機関による物理ベースの予測を、我々のデータ駆動の予測のベースラインとして評価した。
  論文  参考訳（メタデータ） (2024-02-01T16:07:12Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。