論文の概要: Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction

• arxiv url: http://arxiv.org/abs/2603.22314v1
• Date: Fri, 20 Mar 2026 03:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.050824
• Title: Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction
• Title（参考訳）: AIに基づく熱帯サイクロン追跡の強化とシステムバイアス補正による強度予測
• Authors: Peisong Niu, Haifan Zhang, Yang Zhao, Tian Zhou, Ziqing Ma, Wenqiang Shen, Junping Zhao, Huiling Yuan, Liang Sun,
• Abstract要約: 熱帯低気圧は、熱帯・亜熱帯地域の生活、インフラ、経済に深刻な脅威をもたらす。 AIベースの天気予報の最近の進歩は、トラック予測を改善することを約束している。 2つの重要なイノベーションを統合する新しい統一フレームワークであるBaguanCycloneを提案する。
• 参考スコア（独自算出の注目度）: 10.587035638034767
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tropical cyclones (TCs) pose severe threats to life, infrastructure, and economies in tropical and subtropical regions, underscoring the critical need for accurate and timely forecasts of both track and intensity. Recent advances in AI-based weather forecasting have shown promise in improving TC track forecasts. However, these systems are typically trained on coarse-resolution reanalysis data (e.g., ERA5 at 0.25 degree), which constrains predicted TC positions to a fixed grid and introduces significant discretization errors. Moreover, intensity forecasting remains limited especially for strong TCs by the smoothing effect of coarse meteorological fields and the use of regression losses that bias predictions toward conditional means. To address these limitations, we propose BaguanCyclone, a novel, unified framework that integrates two key innovations: (1) a probabilistic center refinement module that models the continuous spatial distribution of TC centers, enabling finer track precision; and (2) a region-aware intensity forecasting module that leverages high-resolution internal representations within dynamically defined sub-grid zones around the TC core to better capture localized extremes. Evaluated on the global IBTrACS dataset across six major TC basins, our system consistently outperforms both operational numerical weather prediction (NWP) models and most AI-based baselines, delivering a substantial enhancement in forecast accuracy. Remarkably, BaguanCyclone excels in navigating meteorological complexities, consistently delivering accurate forecasts for re-intensification, sweeping arcs, twin cyclones, and meandering events. Our code is available at https://github.com/DAMO-DI-ML/Baguan-cyclone.
• Abstract（参考訳）: 熱帯サイクロン(TC)は、熱帯・亜熱帯地域の生活、インフラ、経済に深刻な脅威をもたらし、トラックと強度の正確なタイムリーな予測の必要性を浮き彫りにしている。 AIベースの天気予報の最近の進歩は、TCトラックの予測を改善することを約束している。 しかし、これらのシステムは一般に粗大分解能の再解析データ(例えば、ERA5は0.25度)に基づいて訓練されており、TC位置を固定格子に制約し、かなりの離散化誤差をもたらす。 さらに, 強度予測は, 粗い気象場の滑らか化効果と, 条件付き手段に対する偏差予測による回帰損失の利用により, 特に強いTCに対して限定的であり続けている。 これらの制約に対処するため,(1)TC中心の連続的な空間分布をモデル化し,より精密なトラック精度を実現する確率的中心改善モジュール,(2)Tコア周辺の動的に定義されたサブグリッド領域内の高分解能内部表現を活用する領域認識強度予測モジュール,の2つの重要な革新を統合した,統一的なフレームワークであるBaguanCycloneを提案する。 IBTrACSデータセットを6つの主要なTC流域で評価し、我々のシステムは、運用数値天気予報(NWP)モデルとAIベースのベースラインの両方を一貫して上回り、予測精度を大幅に向上させる。 興味深いことに、バグアン・サイクロンは気象の複雑さをナビゲートし、再拡大、弧の掃討、双子のサイクロン、蛇行などの正確な予報を一貫して提供しています。 私たちのコードはhttps://github.com/DAMO-DI-ML/Baguan-cyclone.comで公開されています。

関連論文リスト

• FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
  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。
  論文  参考訳（メタデータ） (2026-03-16T14:36:47Z)
• Revealing the Potential of Learnable Perturbation Ensemble Forecast Model for Tropical Cyclone Prediction [25.31894574399668]
  熱帯サイクロン(TC)は、非常に破壊的で本質的に不確実な気象システムである。 FuXi-ENSは、アンサンブル生成のための学習可能な摂動方式を導入している。 2018年に全90のグローバルTCでFuXi-ENSとECMWF-ENSを比較した。
  論文  参考訳（メタデータ） (2025-10-27T19:27:04Z)
• Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model [3.468838035344738]
  熱帯サイクロン(TC)強度の正確な予測は、運用気象学の課題である。 機械学習の最近の進歩は、TC予測の顕著な進歩をもたらした。 本稿では,非定常5日間の強度軌跡を生成するトランスフォーマーに基づく予測モデルNetを紹介する。
  論文  参考訳（メタデータ） (2025-09-18T20:50:17Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model [22.715152977444742]
  グローバル熱帯サイクロン強度自動回帰予測のためのマルチモーダル・マルチスケール因果自己回帰モデル(MSCAR)を提案する。 MSCARは、大域的なTC強度自己回帰予測のための因果関係と大規模マルチ時間データを組み合わせる。 本稿では,SETCD(Saturate and ERA5-based Tropical Cyclone dataset)について述べる。
  論文  参考訳（メタデータ） (2024-02-16T15:26:33Z)
• 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)
• 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)
• Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere [7.918783985810551]
  深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。 このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。 我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
  論文  参考訳（メタデータ） (2020-03-15T19:57:34Z)

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。