論文の概要: From AI Weather Prediction to Infrastructure Resilience: A Correction-Downscaling Framework for Tropical Cyclone Impacts

• arxiv url: http://arxiv.org/abs/2603.12828v1
• Date: Fri, 13 Mar 2026 09:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.026173
• Title: From AI Weather Prediction to Infrastructure Resilience: A Correction-Downscaling Framework for Tropical Cyclone Impacts
• Title（参考訳）: AI天気予報からインフラストラクチャレジリエンスへ - 熱帯サイクロンの影響を補正するフレームワーク
• Authors: You Wu, Zhenguo Wang, Naiyu Wang,
• Abstract要約: 我々はAIベースのCorrection-Downscaling Framework(ACDF)を紹介する。 ACDFは、粗いAI天気予報を500mの非バイアス風場と送信塔/線路故障確率に変換する。 中国・江江省で11日、台風11号の観測実験を行った。
• 参考スコア（独自算出の注目度）: 2.900479247177999
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper addresses a missing capability in infrastructure resilience: turning fast, global AI weather forecasts into asset-scale, actionable risk. We introduce the AI-based Correction-Downscaling Framework (ACDF), which transforms coarse AI weather prediction (AIWP) into 500-m, unbiased wind fields and transmission tower/line failure probabilities for tropical cyclones. ACDF separates storm-scale bias correction from terrain-aware downscaling, preventing error propagation while restoring sub-kilometer variability that governs structural loading. Tested on 11 typhoons affecting Zhejiang, China under leave-one-storm-out evaluation, ACDF reduces station-scale wind-speed MAE by 38.8% versus Pangu-Weather, matches observation-assimilated mesoscale analyses, yet runs in 25 s per 12-h cycle on a single GPU. In the Typhoon Hagupit case, ACDF reproduced observed high-wind tails, isolated a coastal high-risk corridor, and flagged the line that failed, demonstrating actionable guidance at tower and line scales. ACDF provides an end-to-end pathway from AI global forecasts to operational, impact-based early warning for critical infrastructure.
• Abstract（参考訳）: 高速でグローバルなAI天気予報をアセットスケールで行動可能なリスクに変える。 我々は,AIベースのCorrection-Downscaling Framework (ACDF)を導入し,粗いAI天気予報(AIWP)を500mの非バイアス風場と熱帯サイクロンの送電塔・線路故障確率に変換する。 ACDFは、地形を意識したダウンスケーリングから嵐スケールバイアス補正を分離し、構造的負荷を管理するサブキロメートル変動を回復しながらエラーの伝播を防止している。 ACDFは、中国江江省の11の台風で1回のストーミングアウトの評価を受け、パング・ウィーザーに対し、ステーションスケールの風速MAEを38.8%削減し、観測アシミュレートされたメソスケール分析に適合するが、1つのGPU上では12時間サイクルあたり25秒で実行される。 台風ハグピット事件では、ACDFは観測された高風の尾を再現し、沿岸の高リスク回廊を孤立させ、失敗するラインにフラグを立て、塔や線規模での実用的なガイダンスを示した。 ACDFは、AIグローバルな予測から、クリティカルインフラストラクチャに対する運用上の影響ベースの早期警告へのエンドツーエンドのパスを提供する。

関連論文リスト

• KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite [22.99496587694237]
  熱帯性サイクロンのタイムリーなモニタリングは、生命と財産の損失を減らすために重要である。 現在の物理誘導モデルは、TC属性間の高次関係を捕捉できない線形特徴相互作用に悩まされている。 本研究では,KAN-FIF(Kolmogorov-Arnold Network-based Network-based Interaction Feature Framework)を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T16:07:39Z)
• 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)
• Observation-driven correction of numerical weather prediction for marine winds [14.58447529631976]
  我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。 我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。 モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
  論文  参考訳（メタデータ） (2025-12-03T09:39:44Z)
• A Weather Foundation Model for the Power Grid [4.060631090375762]
  我々はSilurian AIのWFM, Generative Forecasting Transformer (GFT)を微調整する 5つのグリッドクリティカル変数に対して、ハイパーローカルでアセットレベルの予測を提供する。 平均精度は0.72で、頭頂部ライムアイス検出を行う。
  論文  参考訳（メタデータ） (2025-09-28T08:05:46Z)
• MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
  南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。 モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
  論文  参考訳（メタデータ） (2025-09-02T01:51:40Z)
• Potential Paradigm Shift in Hazard Risk Management: AI-Based Weather Forecast for Tropical Cyclone Hazards [14.98500685250914]
  この研究は、焦点となる例として熱帯性サイクロンを用いる。 そこで我々は,先進的なPangu AI気象モデルを用いて,アンサンブル予測を生成する摂動に基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-04-29T05:32:48Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)

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。