論文の概要: 3DTCR: A Physics-Based Generative Framework for Vortex-Following 3D Reconstruction to Improve Tropical Cyclone Intensity Forecasting

• arxiv url: http://arxiv.org/abs/2603.13049v2
• Date: Mon, 16 Mar 2026 06:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 13:51:29.067514
• Title: 3DTCR: A Physics-Based Generative Framework for Vortex-Following 3D Reconstruction to Improve Tropical Cyclone Intensity Forecasting
• Title（参考訳）: 3DTCR: 熱帯サイクロン強度予測を改善するための渦追跡3次元再構成のための物理ベース生成フレームワーク
• Authors: Jun Liu, Xiaohui Zhong, Kai Zheng, Jiarui Li, Yifei Li, Tao Zhou, Wenxu Qian, Shun Dai, Ruian Tie, Yangyang Zhao, Hao Li,
• Abstract要約: 3DTCRは3次元TC構造再構築のための物理制約と生成AI効率を組み合わせた物理ベースの生成フレームワークである。 低解像度の目標と過度にスムースな予測によって課される制限を緩和する。 その結果、3DTCRはECMWFの高分解能予測システムより優れていた。
• 参考スコア（独自算出の注目度）: 23.828440019722056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tropical cyclone (TC) intensity forecasting remains challenging as current numerical and AI-based weather models fail to satisfactorily represent extreme TC structure and intensity. Although intensity time-series forecasting has achieved significant advances, it outputs intensity sequences rather than the three-dimensional inner-core fine-scale structure and physical mechanisms governing TC evolution. High-resolution numerical simulations can capture these features but remain computationally expensive and inefficient for large-scale operational applications. Here we present 3DTCR, a physics-based generative framework combining physical constraints with generative AI efficiency for 3D TC structure reconstruction. Trained on a six-year, 3-km-resolution moving-domain WRF dataset, 3DTCR enables region-adaptive vortex-following reconstruction using conditional Flow Matching(CFM), optimized via latent domain adaptation and two-stage transfer learning. The framework mitigates limitations imposed by low-resolution targets and over-smoothed forecasts, improving the representation of TC inner-core structure and intensity while maintaining track stability. Results demonstrate that 3DTCR outperforms the ECMWF high-resolution forecasting system (ECMWF-HRES) in TC intensity prediction at nearly all lead times up to 5 days and reduces the RMSE of maximum WS10M by 36.5% relative to its FuXi inputs. These findings highlight 3DTCR as a physics-based generative framework that efficiently resolves fine-scale structures at lower computational cost, which may offer a promising avenue for improving TC intensity forecasting.
• Abstract（参考訳）: 熱帯サイクロン(TC)強度予測は、現在の数値モデルとAIベースの気象モデルでは、極端なTC構造と強度を満足に表現できないため、依然として困難である。 強度時系列予測は大きな進歩を遂げたものの、3次元内部コアの微細構造やTC進化を制御している物理機構よりも、強度シーケンスを出力する。 高分解能数値シミュレーションはこれらの特徴を捉えることができるが、計算コストが高く、大規模運用アプリケーションでは非効率である。 本稿では,3次元TC構造再構築のための物理制約と生成AI効率を組み合わせた物理ベースの生成フレームワークである3DTCRを提案する。 6年間の3km移動領域WRFデータセットに基づいてトレーニングされた3DTCRは、条件付きフローマッチング(CFM)を用いた領域適応渦追従再構成を可能にし、潜時ドメイン適応と2段階移動学習によって最適化される。 このフレームワークは、低解像度ターゲットと過度に滑らかな予測によって課される制限を緩和し、トラック安定性を維持しながら、TC内部コア構造と強度の表現を改善した。 その結果、3DTCRは、ECMWFの高分解能予測システム(ECMWF-HRES)を、ほぼすべてのリードタイムで最大5日間のTC強度予測で上回り、FuXi入力と比較して最大WS10MのRMSEを36.5%削減することを示した。 これらの結果から,3DTCRは計算コストの低い微構造を効率的に解決する物理に基づく生成フレームワークとして注目され,TC強度予測の改善に有望な道筋となる可能性がある。

関連論文リスト

• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• Echo Flow Networks [4.298381633106637]
  非線形読み出しを伴うEcho State Networks (X-ESNs) グループで構成されるフレームワークである Echo Flow Networks (EFNs) を紹介する。 EFNは、PatchTSTのような主要なメソッドに比べて最大4倍高速なトレーニングと3倍のモデルサイズを実現している。 当社のフレームワークのインスタンス化のひとつであるEchoFormerは、5つのベンチマークデータセットで、常に新しい最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2025-09-28T23:38:55Z)
• Ultra3D: Efficient and High-Fidelity 3D Generation with Part Attention [54.15345846343084]
  品質を損なうことなくスパースボクセルモデリングを大幅に高速化する,効率的な3D生成フレームワークであるUltra3Dを提案する。 部分注意(Part Attention)は、意味的に一貫した部分領域内での注意計算を制限する幾何学的な局所的注意機構である。 実験により、Ultra3Dは1024の解像度で高解像度の3D生成をサポートし、視覚的忠実度とユーザの好みの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-23T17:57:16Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets [0.0]
  本研究では、非定常計算流体力学(CFD)シミュレーションを高速化するための高度な畳み込みニューラルネットワーク(CNN)アーキテクチャの比較を行った。 CNNは, 自己回帰時系列予測において, 予測精度とロバスト性を決定するために, 同一条件下で評価された。 ConvLSTM-UNetは、特に差値計算において、より低い最大誤差と安定した残差を達成する他のモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-06T03:30:49Z)
• MR-Occ: Efficient Camera-LiDAR 3D Semantic Occupancy Prediction Using Hierarchical Multi-Resolution Voxel Representation [8.113965240054506]
  MR-Occは,カメラ-LiDAR融合による3Dセマンティック占有率予測の新しい手法である。 HVFRは重要なボクセルの機能を強化し、計算コストを削減することで性能を向上させる。 MODは、センサービューから隠された領域をよりよく扱い、精度を向上させるために、Occluded'クラスを導入している。 PVF-Netは、デフォルマブルアテンション機構を通じてカメラとLiDARデータを効果的に融合するために、密度の高いLiDAR機能を利用する。
  論文  参考訳（メタデータ） (2024-12-29T14:39:21Z)
• A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
  本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。 このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
  論文  参考訳（メタデータ） (2024-12-14T19:43:48Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)

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。