論文の概要: Super-Resolving Coarse-Resolution Weather Forecasts With Flow Matching

• arxiv url: http://arxiv.org/abs/2604.00897v1
• Date: Wed, 01 Apr 2026 13:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.010736
• Title: Super-Resolving Coarse-Resolution Weather Forecasts With Flow Matching
• Title（参考訳）: フローマッチングによる高分解能粗解気象予測
• Authors: Aymeric Delefosse, Anastase Charantonis, Dominique Béréziat,
• Abstract要約: 機械学習に基づく天気予報モデルは、現在最先端の天気予報システムを超えている。 本稿では,学習した生成超解像を後処理ステップとして応用し,解像から解像を分離するモジュラー・フレームワークを提案する。 提案手法は, (i) 従来の粗い軌跡と比較し, (ii) 標準アンサンブル検証測定値とスペクトル診断値を用いて, (i) 設計の整合性を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based weather forecasting models now surpass state-of-the-art numerical weather prediction systems, but training and operating these models at high spatial resolution remains computationally expensive. We present a modular framework that decouples forecasting from spatial resolution by applying learned generative super-resolution as a post-processing step to coarse-resolution forecast trajectories. We formulate super-resolution as a stochastic inverse problem, using a residual formulation to preserve large-scale structure while reconstructing unresolved variability. The model is trained with flow matching exclusively on reanalysis data and is applied to global medium-range forecasts. We evaluate (i) design consistency by re-coarsening super-resolved forecasts and comparing them to the original coarse trajectories, and (ii) high-resolution forecast quality using standard ensemble verification metrics and spectral diagnostics. Results show that super-resolution preserves large-scale structure and variance after re-coarsening, introduces physically consistent small-scale variability, and achieves competitive probabilistic forecast skill at 0.25° resolution relative to an operational ensemble baseline, while requiring only a modest additional training cost compared with end-to-end high-resolution forecasting.
• Abstract（参考訳）: 機械学習に基づく天気予報モデルは、現在最先端の数値天気予報システムを超えているが、これらのモデルを高い空間分解能で訓練し、運用することは、計算コストが高いままである。 本稿では,学習した生成超解像を後処理ステップとして応用し,空間分解能から予測を分離するモジュラー・フレームワークを提案する。 超解像を確率的逆問題として定式化し、残差定式化を用いて大規模構造を保存し、未解決変数を再構成する。 このモデルはリアナリシスデータのみに基づいてフローマッチングを訓練し、グローバルな中距離予測に適用する。 評価 一 過解予測を再調整し、元の粗い軌跡と比較し、設計整合性 (II)標準アンサンブル検証指標とスペクトル診断を用いた高分解能予測品質。 その結果,超解像は再粗化後の大規模構造とばらつきを保ち,物理的に一貫した小さな変動性を導入し,操作アンサンブルベースラインに対して0.25°の精度で競争確率予測技術を実現するとともに,エンドツーエンドの高分解能予測と比較してわずかにトレーニングコストを抑えることができた。

関連論文リスト

• Universal Diffusion-Based Probabilistic Downscaling [3.47037488116399]
  我々は、決定論的低分解能気象予測を高分解能予測に引き上げる、普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力と高分解能領域再分析ターゲットに基づいて訓練される。 我々は,90hまでのリード時間における独立駅観測に対する確率的予測を評価した。
  論文  参考訳（メタデータ） (2026-02-12T12:42:46Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid [1.2136581144377903]
  本研究では、任意の予測長とアンサンブルサイズで87変数の高空間分解能を実現するためのデータ駆動型気象モデルを提案する。 このモデルは、実空間とスペクトル空間におけるポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いて訓練される。
  論文  参考訳（メタデータ） (2025-11-28T10:08:03Z)
• Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization [0.5808168734833972]
  我々は、時系列基礎モデルにおける決定中心の微調整を用いて、ディスパッチ可能なフィードア最適化問題に対するスケーラブルで効率的なソリューションを提供する。 少ない建築データに対するより堅牢な予測を得るために,モイライを最先端の基礎モデルとして用いている。 意思決定に焦点を絞ったモイライと最先端の古典的な予測に焦点をあてたモイライを比較すると、平均的な日費の9.45%の改善が観察できる。
  論文  参考訳（メタデータ） (2025-03-03T07:47:20Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• 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。