論文の概要: AIFS-COMPO: A Global Data-Driven Atmospheric Composition Forecasting System
- arxiv url: http://arxiv.org/abs/2604.03300v1
- Date: Sun, 29 Mar 2026 11:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.484206
- Title: AIFS-COMPO: A Global Data-Driven Atmospheric Composition Forecasting System
- Title（参考訳）: AIFS-COMPO - グローバルデータ駆動型大気組成予測システム
- Authors: Paula Harder, Johannes Flemming, Mihai Alexe, Gert Mertes, Baudouin Raoult, Matthew Chantry,
- Abstract要約: 我々は,エアロゾルと反応性ガスの高感度データ駆動グローバル予測システムであるAIFS-COMPOを紹介する。
ECMWF Artificial Intelligence Forecast System (AIFS)上に構築されているAIFS-COMPOは、トランスフォーマーベースのエンコーダ-プロセッサ-デコーダアーキテクチャを採用している。
我々は,AIFS-COMPOを大気組成の観測範囲に対して評価し,その性能を運用型CAMSグローバル予測システムIFS-COMPOと比較した。
- 参考スコア（独自算出の注目度）: 0.8074567926023328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce AIFS-COMPO, a skilful medium-range data-driven global forecasting system for aerosols and reactive gases. Building on the ECMWF Artificial Intelligence Forecast System (AIFS), AIFS-COMPO employs a transformer-based encoder-processor-decoder architecture to jointly model meteorological and atmospheric composition variables. The model is trained on Copernicus Atmosphere Monitoring Service (CAMS) reanalysis, analysis, and forecast data to learn the coupled dynamics of weather, emissions, transport, and atmospheric chemistry. We evaluate AIFS-COMPO against a range of atmospheric composition observations and compare its performance with the operational CAMS global forecasting system IFS-COMPO. The results show that AIFS-COMPO achieves comparable or improved forecast skill for several key species while requiring only a fraction of the computational resources. Furthermore, the efficiency of the approach enables forecasts beyond the current operational horizon, demonstrating the potential of AI-based systems for fast and accurate global atmospheric composition prediction.
- Abstract（参考訳）: 我々は,エアロゾルと反応性ガスの高感度データ駆動グローバル予測システムであるAIFS-COMPOを紹介する。
ECMWF Artificial Intelligence Forecast System (AIFS)上に構築されているAIFS-COMPOは、気象および大気の構成変数を共同でモデル化するためにトランスフォーマーベースのエンコーダ-プロセッサ-デコーダアーキテクチャを使用している。
このモデルはCopernicus Atmosphere Monitoring Service (CAMS)の再分析、分析、予測データに基づいて訓練され、気象、排出、輸送、大気化学の複合力学を学習する。
我々は,AIFS-COMPOを大気組成の観測範囲に対して評価し,その性能を運用型CAMSグローバル予測システムIFS-COMPOと比較した。
その結果、AIFS-COMPOは、計算資源のごく一部しか必要とせず、いくつかの重要な種に対して、同等または改善された予測スキルを達成することがわかった。
さらに、このアプローチの効率性は、現在の運用地平線を越えて予測を可能にし、高速で正確な地球大気組成予測のためのAIベースのシステムの可能性を示す。
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) - DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。
AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。
我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文 参考訳（メタデータ） (2025-10-13T03:13:35Z) - Statistical post-processing yields accurate probabilistic forecasts from Artificial Intelligence weather models [0.0]
我々は,気象局の統計後処理システムIMPROVERをECMWFの決定論的AIFSに適用することをテストする。
我々はAIFSとNWPモデルを組み合わせることで、AIFS単独が最も正確なコンポーネントではない場合でも、全体的な予測スキルが向上することを示した。
論文 参考訳（メタデータ） (2025-04-17T06:05:10Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z)
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。