論文の概要: Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System

• arxiv url: http://arxiv.org/abs/2603.20250v1
• Date: Tue, 10 Mar 2026 14:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.935278
• Title: Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System
• Title（参考訳）: ウォーン・オン・フォアキャストシステムを用いた機械学習による重症気象誘導の開発
• Authors: Montgomery Flora, Samuel Varga, Corey Potvin, Noah Lang,
• Abstract要約: 今後2～6時間にわたって,深刻な気象被害の可能性を予測するためのグリッドベースのMLフレームワークを開発し,評価する。 本研究では,2-5kmの高架ヘリシティから発生したベースラインに対して,勾配ブーストツリー(HGBT)モデルと深層学習型U-Netアプローチを比較した。 HGBTは最高のパフォーマンス指標を達成しているが、予測確率は60%、U-net予測は100%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While machine learning (ML) post-processing of convection-allowing model (CAM) output for severe weather hazards (large hail, damaging winds, and/or tornadoes) has shown promise for very short lead times (0-3 hours), its application to slightly longer forecast windows remains relatively underexplored. In this study, we develop and evaluate a grid-based ML framework to predict the probability of severe weather hazards over the next 2-6 hours using forecast output from the Warn-on-Forecast System (WoFS). Our dataset includes WoFS ensemble forecasts valid every 5 minutes out to 6 hours from 108 days during the 2019--2023 NOAA Hazardous Weather Testbed Spring Forecasting Experiments. We train ML models to generate probabilistic forecasts of severe weather akin to Storm Prediction Center outlooks (i.e., likelihood of a tornado, severe wind, or severe hail event within 36 km of each point). We compare a histogram gradient-boosted tree (HGBT) model and a deep learning U-Net approach against a carefully calibrated baseline generated from 2-5 km updraft helicity. Results indicate that the HGBT and U-Net outperform the baseline, particularly at higher probability thresholds. The HGBT achieves the best performance metrics, but predicted probabilities cap at 60% while the U-net forecasts extend to 100%. Similar to previous studies, the U-Net produces spatially smoother guidance than the tree-based method. These findings add to the growing evidence of the effectiveness of ML-based CAM post-processing for providing short-term severe weather guidance.
• Abstract（参考訳）: CAM(Convection-allowing Model)の機械学習(ML)後処理は、厳しい気象災害(大規模な干ばつ、被害風、竜巻)に対して非常に短いリード時間(0～3時間)を約束する一方で、わずかに長いウィンドウに対する適用は、比較的過小評価されている。 本研究では,Warn-on-Forecast System (WoFS) の予測出力を用いて,今後2～6時間にわたって深刻な気象被害の確率を予測するためのグリッドベースMLフレームワークの開発と評価を行った。 われわれのデータセットには、2019-2023 NOAA Hazardous Weather Testbed Spring Forecasting Experimentsにおいて、2019-2023 NOAAの108日間から5分毎から6時間毎のWoFSアンサンブル予測が含まれています。 我々はMLモデルを訓練し、嵐予報センターの展望(竜巻、強風、または激しい干ばつの発生確率を各地点36km以内で予測する。 ヒストグラム勾配木 (HGBT) モデルと深層学習型U-Netアプローチとの比較を行った。 その結果、HGBTとU-Netは、特に高い確率閾値でベースラインを上回っていることがわかった。 HGBTは最高のパフォーマンス指標を達成しているが、予測確率は60%、U-net予測は100%である。 従来の研究と同様に、U-Netは木に基づく手法よりも空間的にスムーズなガイダンスを生成する。 これらの結果から,MLベースのCAMポストプロセッシングの有効性が示唆された。

関連論文リスト

• Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models [0.07710102716793873]
  ニューラル気象モデル(NWM)の最近の進歩は、0.25degのグローバルグリッド上での大気環境の予測に、計算的に安価で高速なアプローチを提供する。 雷雨の場合、これらの環境は特定の場所で風速分布を予測するために経験的に後処理することができる。 そこでPangu-Weather NWMでは,時間ごとの風速を最大3日前に予測するために,統計的および深層学習後処理手法の階層化を適用した。
  論文  参考訳（メタデータ） (2025-03-31T18:25:35Z)
• 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)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)
• Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
  我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。 その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-11-12T19:07:32Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。