Fugu-MT 論文翻訳(概要): Accurate and Efficient Hybrid-Ensemble Atmospheric Data Assimilation in Latent Space with Uncertainty Quantification

論文の概要: Accurate and Efficient Hybrid-Ensemble Atmospheric Data Assimilation in Latent Space with Uncertainty Quantification

arxiv url: http://arxiv.org/abs/2603.04395v1
Date: Wed, 04 Mar 2026 18:58:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.464939
Title: Accurate and Efficient Hybrid-Ensemble Atmospheric Data Assimilation in Latent Space with Uncertainty Quantification
Title（参考訳）: 不確実性量子化を伴う潜時空間における高精度かつ効率的なハイブリッド・アンサンブル大気データ同化
Authors: Hang Fan, Juan Nathaniel, Yi Xiao, Ce Bian, Fenghua Ling, Ben Fei, Lei Bai, Pierre Gentine,
Abstract要約: オートエンコーダ(AE)を用いて学習した大気遅延空間で動作する3次元ハイブリッドアンサンブルDA法を提案する。 HLOBAはモデル予測と観測の両方をAEエンコーダと終端から終端までの観測空間マッピングネットワーク(O2Lnet)を介して共有潜在空間にマッピングする。実験によると、この不確実性は大規模なエラー領域を強調し、季節変動を捉えている。
参考スコア（独自算出の注目度）: 20.877039031702605
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data assimilation (DA) combines model forecasts and observations to estimate the optimal state of the atmosphere with its uncertainty, providing initial conditions for weather prediction and reanalyses for climate research. Yet, existing traditional and machine-learning DA methods struggle to achieve accuracy, efficiency and uncertainty quantification simultaneously. Here, we propose HLOBA (Hybrid-Ensemble Latent Observation-Background Assimilation), a three-dimensional hybrid-ensemble DA method that operates in an atmospheric latent space learned via an autoencoder (AE). HLOBA maps both model forecasts and observations into a shared latent space via the AE encoder and an end-to-end Observation-to-Latent-space mapping network (O2Lnet), respectively, and fuses them through a Bayesian update with weights inferred from time-lagged ensemble forecasts. Both idealized and real-observation experiments demonstrate that HLOBA matches dynamically constrained four-dimensional DA methods in both analysis and forecast skill, while achieving end-to-end inference-level efficiency and theoretical flexibility applies to any forecasting model. Moreover, by exploiting the error decorrelation property of latent variables, HLOBA enables element-wise uncertainty estimates for its latent analysis and propagates them to model space via the decoder. Idealized experiments show that this uncertainty highlights large-error regions and captures their seasonal variability.
Abstract（参考訳）: データ同化(DA)は、モデル予測と観測を組み合わせることで、大気の最適状態とその不確実性を推定し、気象予報と気候調査のための再分析のための初期条件を提供する。しかし,従来のDA法と機械学習のDA法は,精度,効率,不確実性の定量化の両立に苦慮している。本稿では,HLOBA(Hybrid-Ensemble Latent Observation-Background Assimilation)を提案する。 HLOBAは、モデル予測と観測の両方をAEエンコーダとエンド・ツー・エンド・エンドの観測-ラテンス空間マッピングネットワーク(O2Lnet)を介して共有潜在空間にマッピングし、タイムラ付けされたアンサンブル予測から推定される重み付きベイズ更新を通じてそれらを融合する。理想化実験と実観測実験の両方で、HLOBAは解析と予測技術の両方において動的に制約された4次元DA手法と一致し、一方、エンドツーエンドの推論レベルの効率と理論的柔軟性は予測モデルに適用できることを示した。さらに、潜伏変数の誤り訂正特性を利用して、HLOBAはその潜伏解析の要素的不確実性推定を可能にし、デコーダを介してモデル空間に伝播する。理想的な実験は、この不確実性が大規模なエラー領域を強調し、季節変動を捉えていることを示している。

関連論文リスト

Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning [1.3999481573773072]
本稿では,Sparse Probabilistic Approximation (eSPA) モデルのアンサンブルのためのフレームワークを提案する。正しい予測を行うこれらのアンサンブル構成員のみの構造を集約することにより、アンサンブルを「蒸留された」モデルのコンパクトな集合に圧縮する方法を示す。
論文参考訳（メタデータ） (2026-02-15T05:49:16Z)
Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文参考訳（メタデータ） (2025-12-09T17:20:56Z)
Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文参考訳（メタデータ） (2025-11-18T07:49:52Z)
DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文参考訳（メタデータ） (2025-10-13T03:13:35Z)
Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
論文参考訳（メタデータ） (2025-04-25T22:14:29Z)
HiMoE: Heterogeneity-Informed Mixture-of-Experts for Fair Spatial-Temporal Forecasting [8.055360119228606]
我々は,一様かつ高精度な時空間予測を提供する新しいヘテロジニティ・インフォームド・ミックス・オブ・エクササイズ(HiMoE)フレームワークを提案する。 4つの実世界のデータセットの実験は、HiMoEが最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2024-11-30T01:50:42Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
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)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文参考訳（メタデータ） (2023-07-19T19:19:13Z)

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。