論文の概要: Downscaling weather forecasts from Low- to High-Resolution with Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.03303v1
• Date: Mon, 30 Mar 2026 09:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.488045
• Title: Downscaling weather forecasts from Low- to High-Resolution with Diffusion Models
• Title（参考訳）: 拡散モデルによる低分解能から高分解能へのダウンスケーリング天気予報
• Authors: Joffrey Dumont Le Brazidec, Simon Lang, Martin Leutbecher, Baudouin Raoult, Gert Mertes, Florian Pinault, Aristofanis Tsiringakis, Pedro Maciel, Ana Prieto Nemesio, Jan Polster, Cathal O Brien, Matthew Chantry,
• Abstract要約: 我々は,アネモイフレームワーク内に実装された大域大気下降の確率的拡散に基づく手法を提案する。 このアプローチは、より微細な残差の条件分布を学習することにより、低分解能アンサンブル予測を高分解能アンサンブルに変換する。 このシステムは、ECMWF IFSから、100kmの粗い磁場を用いて、30kmの解像度で微細な変動を再現するために、再放送ペアを訓練する。
• 参考スコア（独自算出の注目度）: 0.42709045995535977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a probabilistic diffusion-based method for global atmospheric downscaling implemented within the Anemoi framework. The approach transforms low-resolution ensemble forecasts into high-resolution ensembles by learning the conditional distribution of finer-scale residuals, defined as the difference between the high-resolution fields and the interpolated low-resolution inputs. The system is trained on reforecast pairs from ECMWF IFS, using coarse fields at 100 km to reconstruct fine-scale variability at 30 km resolution. The bulk of the training focuses on recovering small-scale structures, while fine-tuning in high-noise regimes enables the generation of extremes. Evaluation against the medium-range IFS ensemble target shows that the model increases probabilistic skill (FCRPS) for surface variables, reproduces target power spectra at small scales, captures physically consistent multivariate relationships such as wind-pressure coupling, and generates extreme values consistent with those of the target ensemble in tropical cyclones.
• Abstract（参考訳）: 我々は,アネモイフレームワーク内に実装された大域大気下降の確率的拡散に基づく手法を提案する。 提案手法は,高分解能場と補間された低分解能入力との差として定義される微細残差の条件分布を学習することにより,低分解能アンサンブル予測を高分解能アンサンブルに変換する。 このシステムは、ECMWF IFSから、100kmの粗い磁場を用いて、30kmの解像度で微細な変動を再現するために、再放送ペアを訓練する。 訓練の大部分は小規模な構造物の復元に焦点が当てられ、高騒音下での微調整は極端の生成を可能にする。 中距離ISFアンサンブル目標に対する評価は、このモデルが表面変数の確率的スキル(FCRPS)を高め、小さなスケールで目標パワースペクトルを再現し、風圧結合のような物理的に一貫した多変量関係を捉え、熱帯低気圧における目標アンサンブルのそれと一致する極端な値を生成することを示している。

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)
• PuYun-LDM: A Latent Diffusion Model for High-Resolution Ensemble Weather Forecasts [12.731337991737918]
  潜時拡散モデル (LDMs) は高分解能アンサンブル気象予報において, 限られた拡散性に悩まされる。 本稿では,遅延拡散性を高め,予測のアンサンブルに優れた性能を実現するPuYun-LDMを提案する。 PuYun-LDMは1つのNVIDIA H200 GPU上で6時間の時間分解能を持つ15日間のグローバル予測を生成する。
  論文  参考訳（メタデータ） (2026-02-12T10:43:20Z)
• 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)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions [2.531156266686649]
  本稿では,風速の短期予測のための新しい適応モデルを提案する。 単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。
  論文  参考訳（メタデータ） (2024-08-28T06:07:58Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。