論文の概要: FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting

• arxiv url: http://arxiv.org/abs/2603.15358v1
• Date: Mon, 16 Mar 2026 14:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.491824
• Title: FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting
• Title（参考訳）: FuXiWeather2: 気象予報のための正確な大気状態推定を学習する
• Authors: Xiaoze Xu, Xiuyu Sun, Songling Zhu, Xiaohui Zhong, Yuanqing Huang, Zijian Zhu, Jun Liu, Hao Li,
• Abstract要約: 本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
• 参考スコア（独自算出の注目度）: 15.10103712842682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Numerical weather prediction has long been constrained by the computational bottlenecks inherent in data assimilation and numerical modeling. While machine learning has accelerated forecasting, existing models largely serve as "emulators of reanalysis products," thereby retaining their systematic biases and operational latencies. Here, we present FuXiWeather2, a unified end-to-end neural framework for assimilation and forecasting. We align training objectives directly with a combination of real-world observations and reanalysis data, enabling the framework to effectively rectify inherent errors within reanalysis products. To address the distribution shift between NWP-derived background inputs during training and self-generated backgrounds during deployment, we introduce a recursive unrolling training method to enhance the precision and stability of analysis generation. Furthermore, our model is trained on a hybrid dataset of raw and simulated observations to mitigate the impact of observational distribution inconsistency. FuXiWeather2 generates high-resolution ($0.25^{\circ}$) global analysis fields and 10-day forecasts within minutes. The analysis fields surpass the NCEP-GFS across most variables and demonstrate superior accuracy over both ERA5 and the ECMWF-HRES system in lower-tropospheric and surface variables. These high-quality analysis fields drive deterministic forecasts that exceed the skill of the HRES system in 91\% of evaluated metrics. Additionally, its outstanding performance in typhoon track prediction underscores its practical value for rapid response to extreme weather events. The FuXiWeather2 analysis dataset is available at https://doi.org/10.5281/zenodo.18872728.
• Abstract（参考訳）: 数値気象予測は、データ同化と数値モデリングに固有の計算ボトルネックによって、長い間制約されてきた。 機械学習が予測を加速する一方で、既存のモデルは「再分析製品のエミュレータ」として機能し、体系的なバイアスと運用上のレイテンシを維持している。 本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークであるFuXiWeather2を紹介する。 我々は,実世界の観測データと再分析データを組み合わせることで,学習目標を直接調整し,再分析製品に固有のエラーを効果的に修正する。 トレーニング中のNWP由来のバックグラウンド入力とデプロイメント中の自己生成バックグラウンド間の分散シフトに対処するため,分析生成の精度と安定性を高めるために再帰的アンロールトレーニング手法を提案する。 さらに,本モデルでは,観測分布の不整合性の影響を軽減するために,生・模擬観測のハイブリッドデータセットを用いて訓練を行った。 FuXiWeather2は、高解像度(0.25^{\circ}$)グローバル分析フィールドと10日間の予測を数分で生成する。 解析フィールドは、多くの変数にわたるNCEP-GFSを超え、低対流圏および表面変数におけるERA5およびECMWF-HRESシステムよりも優れた精度を示す。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。 さらに,台風予報における卓越した性能は,異常気象に対する迅速な対応の実践的価値を裏付けるものである。 FuXiWeather2分析データセットはhttps://doi.org/10.5281/zenodo.18872728で公開されている。

関連論文リスト

• Bridging Artificial Intelligence and Data Assimilation: The Data-driven Ensemble Forecasting System ClimaX-LETKF [0.0]
  我々は,データ駆動型MLによる最初のアンサンブル天気予報システムであるClimaX-LETKFを紹介する。 NCEP ADPグローバルアッパーエアと表面気象観測を同調することにより、数値気象予測(NWP)モデルとは独立して、数年にわたって安定して運用されている。
  論文  参考訳（メタデータ） (2025-12-16T14:30:46Z)
• 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)
• 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)
• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• 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)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)

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。