論文の概要: Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations

• arxiv url: http://arxiv.org/abs/2603.06153v1
• Date: Fri, 06 Mar 2026 11:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.52646
• Title: Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations
• Title（参考訳）: 入力摂動による確率的海面温度予測のためのアンサンブルグラフニューラルネットワーク
• Authors: Alejandro J. González-Santana, Giovanny A. Cuervo-Londoño, Javier Sánchez,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いた海面温度(SST)予測のためのアンサンブル学習戦略について検討する。 我々は,北大西洋のカナリア諸島にGNNアーキテクチャを適用し,袋詰に触発された均質アンサンブルアプローチを実装した。 ガウスノイズ、パーリンノイズ、フラクタルパーリンノイズなど、複数のノイズに基づくアンサンブル生成戦略を評価する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate regional ocean forecasting requires models that are both computationally efficient and capable of representing predictive uncertainty. This work investigates ensemble learning strategies for sea surface temperature (SST) forecasting using Graph Neural Networks (GNNs), with a focus on how input perturbation design affects forecast skill and uncertainty representation. We adapt a GNN architecture to the Canary Islands region in the North Atlantic and implement a homogeneous ensemble approach inspired by bagging, where diversity is introduced during inference by perturbing initial ocean states rather than retraining multiple models. Several noise-based ensemble generation strategies are evaluated, including Gaussian noise, Perlin noise, and fractal Perlin noise, with systematic variation of noise intensity and spatial structure. Ensemble forecasts are assessed over a 15-day horizon using deterministic metrics (RMSE and bias) and probabilistic metrics, including the Continuous Ranked Probability Score (CRPS) and the Spread-skill ratio. Results show that, while deterministic skill remains comparable to the single-model forecast, the type and structure of input perturbations strongly influence uncertainty representation, particularly at longer lead times. Ensembles generated with spatially coherent perturbations, such as low-resolution Perlin noise, achieve better calibration and lower CRPS than purely random Gaussian perturbations. These findings highlight the critical role of noise structure and scale in ensemble GNN design and demonstrate that carefully constructed input perturbations can yield well-calibrated probabilistic forecasts without additional training cost, supporting the feasibility of ensemble GNNs for operational regional ocean prediction.
• Abstract（参考訳）: 正確な地域海洋予測には、計算効率が高く、予測の不確実性を示すことができるモデルが必要である。 本研究では,グラフニューラルネットワーク(GNN)を用いた海面温度予測のためのアンサンブル学習戦略について検討し,入力摂動設計が予測スキルや不確実性表現にどのように影響するかに着目した。 我々は,北大西洋のカナリア諸島にGNNアーキテクチャを適用し,袋詰に着想を得た同質のアンサンブルアプローチを実装した。 ガウスノイズ, パーリンノイズ, フラクタルパーリンノイズなど, 騒音強度と空間構造を体系的に変化させた複数のアンサンブル生成戦略を評価する。 アンサンブル予測は、決定論的指標(RMSEとバイアス)と確率的指標(CRPS)とスプレッドスキル比率を含む15日間にわたって評価される。 その結果、決定論的スキルは単モデル予測に匹敵するものの、入力摂動のタイプと構造は、特に長いリードタイムにおいて不確実性表現に強く影響を及ぼすことが示された。 低分解能パーリンノイズなどの空間的コヒーレントな摂動によって生成されるアンサンブルは、純粋にランダムなガウス摂動よりもキャリブレーションが良く、CRPSが低い。 これらの知見は, アンサンブルGNN設計における騒音構造と規模の重要性を強調し, 慎重に構築された入力摂動が, 追加の訓練コストを伴わずに良好な確率予測を得られることを示した。

関連論文リスト

• Denoising Diffusion Probabilistic Models for Coastal Inundation Forecasting [2.6678519883651677]
  DIFFFLOODは,拡散モデルに基づく確率予測手法である。 空間的コンテキストと時間的コンテキストの両方を考慮して、場所における浸水レベルを予測する。 バージニア州東部海岸の海岸浸水データに基づいてDIFFFLOODを訓練・試験した。
  論文  参考訳（メタデータ） (2025-05-08T16:13:41Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Convolutional GRU Network for Seasonal Prediction of the El Ni\~no-Southern Oscillation [24.35408676030181]
  本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。 提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。 その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-18T00:15:45Z)
• Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications [0.0]
  このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。 一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。 ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
  論文  参考訳（メタデータ） (2021-05-25T17:54:23Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。