論文の概要: Improving Ensemble Forecasts of Abnormally Deflecting Tropical Cyclones with Fused Atmosphere-Ocean-Terrain Data

• arxiv url: http://arxiv.org/abs/2603.29200v1
• Date: Tue, 31 Mar 2026 03:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.073049
• Title: Improving Ensemble Forecasts of Abnormally Deflecting Tropical Cyclones with Fused Atmosphere-Ocean-Terrain Data
• Title（参考訳）: 混合大気-Ocean-Terrainデータによる異常検出熱帯サイクロンのアンサンブル予測の改善
• Authors: Qixiang Li, Shuwei Huo, Chong Wang, Xiaofeng Li, Yuan Zhou,
• Abstract要約: 深層学習に基づく熱帯サイクロン予測に2つの画期的な貢献を報告した。 まず,北西太平洋流域におけるTC予測のためのマルチモーダル・マルチソースデータセットAOT-TCsを構築した。 第2に、AOT-TCsデータセットに基づいて、正常および異常に偏向したTCを扱える予測モデルを提案する。
• 参考スコア（独自算出の注目度）: 13.045445356929482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based tropical cyclone (TC) forecasting methods have demonstrated significant potential and application advantages, as they feature much lower computational cost and faster operation speed than numerical weather prediction models. However, existing deep learning methods still have key limitations: they can only process a single type of sequential trajectory data or homogeneous meteorological variables, and fail to achieve accurate forecasting of abnormal deflected TCs. To address these challenges, we present two groundbreaking contributions. First, we have constructed a multimodal and multi-source dataset named AOT-TCs for TC forecasting in the Northwest Pacific basin. As the first dataset of its kind, it innovatively integrates heterogeneous variables from the atmosphere, ocean, and land, thus obtaining a comprehensive and information-rich meteorological dataset. Second, based on the AOT-TCs dataset, we propose a forecasting model that can handle both normal and abnormally deflected TCs. This is the first TC forecasting model to adopt an explicit atmosphere-ocean-terrain coupling architecture, enabling it to effectively capture complex interactions across physical domains. Extensive experiments on all TC cases in the Northwest Pacific from 2017 to 2024 show that our model achieves state-of-the-art performance in TC forecasting: it not only significantly improves the forecasting accuracy of normal TCs but also breaks through the technical bottleneck in forecasting abnormally deflected TCs.
• Abstract（参考訳）: 深層学習に基づく熱帯サイクロン予測法(TC)は,数値天気予報モデルよりも計算コストがはるかに低く,演算速度が速いため,大きな可能性と応用上の利点を示した。 しかし、既存のディープラーニング手法には、単一種類の逐次軌跡データや均一な気象変数しか処理できず、異常なTCの正確な予測を達成できないという、重要な制限がある。 これらの課題に対処するため、2つの画期的な貢献を提示する。 まず,北西太平洋流域におけるTC予測のためのマルチモーダル・マルチソースデータセットAOT-TCsを構築した。 この種の最初のデータセットとして、大気、海、陸からの異質な変数を革新的に統合し、包括的で情報に富んだ気象データセットを得る。 第2に、AOT-TCsデータセットに基づいて、正常および異常に偏向したTCを扱える予測モデルを提案する。 これは、大気-海洋-テランの結合アーキテクチャを明示的に採用した最初のTC予測モデルであり、物理的ドメイン間の複雑な相互作用を効果的にキャプチャすることを可能にする。 2017年から2024年までの北西太平洋の全てのTC症例に対する大規模な実験では、我々のモデルがTC予測における最先端のパフォーマンスを達成することが示され、通常のTCの予測精度が大幅に向上するだけでなく、異常に歪んだTC予測の技術的ボトルネックを突破する。

関連論文リスト

• Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction [10.587035638034767]
  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。
  論文  参考訳（メタデータ） (2026-03-20T03:25:03Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• 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)
• 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)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data [0.0]
  熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。 伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。 本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T22:26:50Z)
• Identifying Distributional Differences in Convective Evolution Prior to Rapid Intensification in Tropical Cyclones [4.925967492198013]
  熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。 これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。 ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
  論文  参考訳（メタデータ） (2021-09-24T15:33:29Z)

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。