論文の概要: CycloneMAE: A Scalable Multi-Task Learning Model for Global Tropical Cyclone Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2604.12180v1
• Date: Tue, 14 Apr 2026 01:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.185329
• Title: CycloneMAE: A Scalable Multi-Task Learning Model for Global Tropical Cyclone Probabilistic Forecasting
• Title（参考訳）: CycloneMAE:グローバル熱帯サイクロン確率予測のためのスケーラブルなマルチタスク学習モデル
• Authors: Renlong Hang, Zihao Xu, Jiuwei Zhao, Runling Yu, Leye Cheng, Qingshan Liu,
• Abstract要約: CycloneMAEは、マルチモーダルデータから転送可能な熱帯サイクロン表現を学習するスケーラブルなマルチタスク予測モデルである。 気圧と風速は120時間、軌道は24時間と予測される。 当社のフレームワークは,運用TC予測のためのスケーラブルで確率的で解釈可能な経路を確立する。
• 参考スコア（独自算出の注目度）: 12.141625900336033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tropical cyclones (TCs) rank among the most destructive natural hazards, yet their forecasting faces fundamental trade-offs: numerical weather prediction (NWP) models are computationally prohibitive and struggle to leverage historical data, while existing deep learning (DL)-based intelligent models are variable-specific and deterministic, which fail to generalize across different forecasting variables. Here we present CycloneMAE, a scalable multi-task forecasting model that learns transferable TC representations from multi-modal data using a TC structure-aware masked autoencoder. By coupling a discrete probabilistic gridding mechanism with a pre-train/fine-tune paradigm, CycloneMAE simultaneously delivers deterministic forecasts and probability distributions. Evaluated across five global ocean basins, CycloneMAE outperforms leading NWP systems in pressure and wind forecasting up to 120 hours and in track forecasting up to 24 hours. Attribution analysis via integrated gradients reveals physically interpretable learning dynamics: short-term forecasts rely predominantly on the internal core convective structure from satellite imagery, whereas longer-term forecasts progressively shift attention to external environmental factors. Our framework establishes a scalable, probabilistic, and interpretable pathway for operational TC forecasting.
• Abstract（参考訳）: 数値天気予報(NWP)モデルは計算的に禁止され、歴史的データを活用するのに苦労するが、既存のディープラーニング(DL)ベースのインテリジェントモデルは変数固有で決定論的であり、異なる予測変数をまたいだ一般化に失敗する。 ここでは、TC構造対応マスキングオートエンコーダを用いて、マルチモーダルデータから転送可能なTC表現を学習するスケーラブルなマルチタスク予測モデルであるCycloneMAEを紹介する。 CycloneMAEは、離散確率グリッド機構とプレトレイン/ファインチューンパラダイムを結合することにより、決定論的予測と確率分布を同時に提供する。 5つの大洋流域で評価され、サイクロネマエは、圧力と風速でNWP系を上回り、最大120時間、トラックで最大24時間予測している。 短期予測は、衛星画像から内部の対流構造に依存するが、長期予測は徐々に外部環境要因に注意を移す。 当社のフレームワークは,運用TC予測のためのスケーラブルで確率的で解釈可能な経路を確立する。

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)
• 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)
• Skillful joint probabilistic weather forecasting from marginals [11.348323146521931]
  本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。 位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。 決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2025-06-12T14:50:47Z)
• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• 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)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• 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)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。