論文の概要: Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling
- arxiv url: http://arxiv.org/abs/2603.28173v1
- Date: Mon, 30 Mar 2026 08:40:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.309167
- Title: Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling
- Title（参考訳）: 大域的・地域的結合による高度局地気象予報
- Authors: Weiqi Chen, Wenwei Wang, Qilong Yuan, Lefei Shen, Bingqing Peng, Jiawei Chen, Bo Wu, Liang Sun,
- Abstract要約: 本稿では,地域気象予報のためのグローバル・リージョン結合フレームワークを提案する。
Transformerベースのグローバルモデルと、新しい双方向結合モジュールであるScaleMixerを介して、高解像度の地域ネットワークを結合する。
このフレームワークは、$0.05circ$(sim 5 mathrmkm$ )で、中国の1時間の解像度で、グリッド化されたリアナリシスデータとリアルタイム気象観測の両方で、運用上のNWPとAIベースラインを大幅に上回っている。
- 参考スコア（独自算出の注目度）: 13.378669933059015
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data-driven weather models have advanced global medium-range forecasting, yet high-resolution regional prediction remains challenging due to unresolved multiscale interactions between large-scale dynamics and small-scale processes such as terrain-induced circulations and coastal effects. This paper presents a global-regional coupling framework for kilometer-scale regional weather forecasting that synergistically couples a pretrained Transformer-based global model with a high-resolution regional network via a novel bidirectional coupling module, ScaleMixer. ScaleMixer dynamically identifies meteorologically critical regions through adaptive key-position sampling and enables cross-scale feature interaction through dedicated attention mechanisms. The framework produces forecasts at $0.05^\circ$ ($\sim 5 \mathrm{km}$ ) and 1-hour resolution over China, significantly outperforming operational NWP and AI baselines on both gridded reanalysis data and real-time weather station observations. It exhibits exceptional skill in capturing fine-grained phenomena such as orographic wind patterns and Foehn warming, demonstrating effective global-scale coherence with high-resolution fidelity. The code is available at https://anonymous.4open.science/r/ScaleMixer-6B66.
- Abstract（参考訳）: データ駆動型気象モデルはグローバルな中距離予測を先進的に進めてきたが、大規模ダイナミックスと地形誘起循環や沿岸効果のような小規模プロセスの間の未解決のマルチスケール相互作用のため、高解像度の地域予測は依然として困難である。
本稿では,トランスフォーマーを用いた事前学習型グローバルモデルと,新たな双方向結合モジュールであるScaleMixerを介して高分解能な地域ネットワークを相乗的に結合する,キロメートル規模の地域気象予報のためのグローバル領域結合フレームワークを提案する。
ScaleMixerは、適応的なキーポジションサンプリングにより、気象学的に重要な領域を動的に識別し、専用の注意機構を通じて、クロススケールな特徴相互作用を可能にする。
このフレームワークは、$0.05^\circ$(\sim 5 \mathrm{km}$ )で、中国の1時間の解像度で、グリッド化された分析データとリアルタイム気象観測の両方に基づいて、運用上のNWPとAIベースラインを大幅に上回っている。
オーログラフィー風のパターンやフォアーンの温暖化といった微粒な現象を捉え、高解像度の忠実さで効果的なグローバルスケールのコヒーレンスを実証する優れた技術を示す。
コードはhttps://anonymous.4open.science/r/ScaleMixer-6B66で公開されている。
関連論文リスト
- StretchCast: Global-Regional AI Weather Forecasting on Stretched Cubed-Sphere Mesh [0.0]
可変解像度拡張立方体球(SCS)メッシュ上に構築されたグローバルリージョンのAI予測フレームワークであるStretchCastを紹介する。
本研究では,一段階予測器であるSCS_Base Modelとロールアウト指向多段階予測器であるSCS_FCST4 Modelを開発し,SCSベースの予測の実現可能性を検証する。
83Mパラメータとトレーニングコストを時間順に設定することで、SCS_FCST4 Modelはターゲット領域に競合する中距離異常相関進化を提供する。
論文 参考訳（メタデータ） (2026-03-28T14:40:29Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting [35.64570745321468]
適応的地域境界最適化と動的月次予測アロケーションのための新しいAI駆動フレームワークを提案する。
具体的には,グローバル空間分布と地域空間分布を整合させるSAA(Spatial-Aligned Attention)機構を用いる。
また、異なる月ごとの大気変数を専門の専門家に動的にルーティングするTMOEモジュールを設計する。
論文 参考訳（メタデータ） (2025-09-21T05:27:52Z) - 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) - ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
天気予報の基礎モデルであるClimateLLMを提案する。
時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。
周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
論文 参考訳（メタデータ） (2025-02-16T09:57:50Z) - 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) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction [3.2474405288441544]
本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
論文 参考訳（メタデータ） (2023-09-09T09:36:28Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳（メタデータ） (2022-03-23T09:45:12Z)
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。