論文の概要: Accurate Precipitation Forecast by Efficiently Learning from Massive Atmospheric Variables and Unbalanced Distribution

• arxiv url: http://arxiv.org/abs/2603.26108v1
• Date: Fri, 27 Mar 2026 06:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.376318
• Title: Accurate Precipitation Forecast by Efficiently Learning from Massive Atmospheric Variables and Unbalanced Distribution
• Title（参考訳）: 大気圧変動と不均衡分布から効率的に学習した正確な降水予測
• Authors: Shuangliang Li, Siwei Li, Li Li, Weijie Zou, Jie Yang, Maolin Zhang,
• Abstract要約: 短期(0-24時間)の降水予測は社会経済活動や公共安全に非常に有用である。 大量のマルチソース大気観測データを効率的に利用できないため、降水予測精度と計算効率が向上する。 本研究では,大規模大気観測を効果的かつ効率的に活用できる新しい予測モデルを開発した。
• 参考スコア（独自算出の注目度）: 8.201427436447096
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Short-term (0-24 hours) precipitation forecasting is highly valuable to socioeconomic activities and public safety. However, the highly complex evolution patterns of precipitation events, the extreme imbalance between precipitation and non-precipitation samples, and the inability of existing models to efficiently and effectively utilize large volumes of multi-source atmospheric observation data hinder improvements in precipitation forecasting accuracy and computational efficiency. To address the above challenges, this study developed a novel forecasting model capable of effectively and efficiently utilizing massive atmospheric observations by automatically extracting and iteratively predicting the latent features strongly associated with precipitation evolution. Furthermore, this study introduces a 'WMCE' loss function, designed to accurately discriminate extremely scarce precipitation events while precisely predicting their intensity values. Extensive experiments on two datasets demonstrate that our proposed model substantially and consistently outperforms all prevalent baselines in both accuracy and efficiency. Moreover, the proposed forecasting model substantially lowers the computational cost required to obtain valuable predictions compared to existing approaches, thereby positioning it as a milestone for efficient and practical precipitation forecasting.
• Abstract（参考訳）: 短期(0-24時間)の降水予測は社会経済活動や公共安全に非常に有用である。 しかし,降水イベントの高度に複雑な進化パターン,降水と降水サンプルの極端不均衡,および降水予測精度と計算効率の向上を阻害する多ソース大気観測データの大量を効率的かつ効果的に利用できない既存モデルが存在しないことなどが,降水予測精度と計算効率の向上を妨げている。 以上の課題に対処するために,降水進化に強く関連する潜水特性を自動的に抽出し,反復的に予測することにより,大規模大気観測を効果的かつ効率的に活用できる新しい予測モデルを開発した。 さらに,その強度を正確に予測しながら,極めて少ない降水事象を正確に識別する「WMCE」損失関数を提案する。 2つのデータセットに対する大規模な実験により、提案したモデルが精度と効率の両方において、すべての一般的なベースラインを大幅に上回っていることが示された。 さらに,提案した予測モデルにより,既存手法と比較して計算コストを大幅に削減し,効率的かつ実用的な降水予測のマイルストーンとして位置づけることができた。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
  高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。 本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:38Z)
• Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
  日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。 本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。 その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T16:31:40Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)

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。