論文の概要: MeTok: An Efficient Meteorological Tokenization with Hyper-Aligned Group Learning for Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2603.13752v1
- Date: Sat, 14 Mar 2026 04:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.383816
- Title: MeTok: An Efficient Meteorological Tokenization with Hyper-Aligned Group Learning for Precipitation Nowcasting
- Title（参考訳）: MeTok: 降雨予報のためのハイパーアライズドグループラーニングによる効果的な気象トークン化
- Authors: Qizhao Jin, Xianhuang Xu, Yong Cao, Shiming Xiang, Xinyu Xiao,
- Abstract要約: 本稿では,降水処理の課題に焦点をあて,効率的な分布中心気象トークン化手法を開発した。
我々は2つの重要な改良を加えたHyper-Aligned Grouping Transformer (HyAGTransformer)を紹介した。
ERA5データセットを用いた6時間予測実験では, 他の手法と比較して, IoU測定値が少なくとも8.2%改善した。
- 参考スコア（独自算出の注目度）: 24.54767209914783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Transformer-based architectures have advanced meteorological prediction. However, this position-centric tokenizer conflicts with the core principle of meteorological systems, where the weather phenomena undoubtedly involve synergistic interactions among multiple elements while positional information constitutes merely a component of the boundary conditions. This paper focuses primarily on the task of precipitation nowcasting and develops an efficient distribution-centric Meteorological Tokenization (MeTok) scheme, which spatially sequences to group similar meteorological features. Based on the rearrangement, realigned group learning enhances robustness across precipitation patterns, especially extreme ones. Specifically, we introduce the Hyper-Aligned Grouping Transformer (HyAGTransformer) with two key improvements: 1) The Grouping Attention (GA) mechanism uses MeTok to enable self-aligned learning of features from different precipitation patterns; 2) The Neighborhood Feed-Forward Network (N-FFN) integrates adjacent group features, aggregating contextual information to boost patch embedding discriminability. Experiments on the ERA5 dataset for 6-hour forecasts show our method improves the IoU metric by at least 8.2% in extreme precipitation prediction compared to other methods. Additionally, it gains performance with more training data and increased parameters, demonstrating scalability, stability, and superiority over traditional methods.
- Abstract（参考訳）: 近年,トランスフォーマーをベースとしたアーキテクチャは,気象学的な予測が進んでいる。
しかし、この位置中心のトークン化器は気象系の中核的な原理と矛盾し、気象現象は間違いなく複数の元素間の相乗的相互作用を伴い、位置情報は境界条件の単なる構成要素である。
本稿では,主に降水量計の課題に焦点をあて,同じ気象特徴をグループ化するための空間的順序付けを行う,効率的な分布中心気象トークン化法(MeTok)を考案する。
再配置に基づいて、グループ学習は降水パターン、特に極端なパターン間の堅牢性を高める。
具体的には、Hyper-Aligned Grouping Transformer (HyAG Transformer)を導入し、2つの重要な改善点を挙げる。
1) Grouping Attention(GA)メカニズムは,MeTokを使用して,異なる降水パターンから特徴の自己整合学習を可能にする。
2)N-FFN(Neighborhood Feed-Forward Network)は、隣接したグループ機能を統合し、コンテキスト情報を集約してパッチ埋め込み識別性を高める。
ERA5データセットを用いた6時間予測実験では, 他の手法と比較して, IoU測定値が少なくとも8.2%改善した。
さらに、トレーニングデータを増やし、パラメータを増やし、拡張性、安定性、従来のメソッドよりも優れていることを実証することで、パフォーマンスが向上する。
関連論文リスト
- Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。
提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。
このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
論文 参考訳（メタデータ） (2025-10-28T10:52:15Z) - CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。
アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。
トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
論文 参考訳（メタデータ） (2025-10-23T17:43:38Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - Improving Medium Range Severe Weather Prediction through Transformer Post-processing of AI Weather Forecasts [37.09823149373976]
本研究では,デコーダのみのトランスフォーマーネットワークをAIによる天気予報処理に活用する手法を提案する。
本手法は,予測リードタイムをシーケンシャルトークンとして扱うことで,トランスフォーマーが複雑な時間的関係を学習できるようにする。
その結果,変圧器を用いた後処理は,高密度ニューラルネットワークと比較して予測能力を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2025-05-16T23:22:07Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z)
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。