論文の概要: Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction

• arxiv url: http://arxiv.org/abs/2604.16238v1
• Date: Fri, 17 Apr 2026 16:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.014142
• Title: Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction
• Title（参考訳）: 確率バイアス補正によるAIと動的サブシーズン予測の強化
• Authors: Hannah Guan, Soukayna Mouatadid, Paulo Orenstein, Judah Cohen, Haiyu Dong, Zekun Ni, Jeremy Berman, Genevieve Flaspohler, Alex Lu, Jakob Schloer, Joshua Talib, Jonathan A. Weyn, Lester Mackey,
• Abstract要約: 意思決定者は天気予報に頼り、作物を植え、山火事を管理し、水とエネルギーを割り当て、極端な天候に備えている。 しかし、モデルスキルは、エラーと永続的なバイアスが混ざり合っているため、サブシーズンタイムスケールで急激に低下します。 確率的バイアス補正(PBC)は,過去の確率的予測を正すための学習によって,体系的誤りを大幅に低減する機械学習フレームワークである。
• 参考スコア（独自算出の注目度）: 14.123695538241376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision-makers rely on weather forecasts to plant crops, manage wildfires, allocate water and energy, and prepare for weather extremes. Today, such forecasts enjoy unprecedented accuracy out to two weeks thanks to steady advances in physics-based dynamical models and data-driven artificial intelligence (AI) models. However, model skill drops precipitously at subseasonal timescales (2 - 6 weeks ahead), due to compounding errors and persistent biases. To counter this degradation, we introduce probabilistic bias correction (PBC), a machine learning framework that substantially reduces systematic error by learning to correct historical probabilistic forecasts. When applied to the leading dynamical and AI models from the European Centre for Medium-Range Weather Forecasts (ECMWF), PBC doubles the subseasonal skill of the AI Forecasting System and improves the skill of the operationally-debiased dynamical model for 91% of pressure, 92% of temperature, and 98% of precipitation targets. We designed PBC for operational deployment, and, in ECMWF's 2025 real-time forecasting competition, its global forecasts placed first for all weather variables and lead times, outperforming the dynamical models from six operational forecasting centers, an international dynamical multi-model ensemble, ECMWF's AI Forecasting System, and the forecasting systems of 34 teams worldwide. These probabilistic skill gains translate into more accurate prediction of extreme events and have the potential to improve agricultural planning, energy management, and disaster preparedness in vulnerable communities.
• Abstract（参考訳）: 意思決定者は天気予報に頼り、作物を植え、山火事を管理し、水とエネルギーを割り当て、極端な天候に備えている。 今日では、物理ベースの力学モデルとデータ駆動人工知能(AI)モデルが着実に進歩しているため、そのような予測は2週間で前例のない正確さを享受している。 しかしながら、モデルスキルは、エラーと永続的なバイアスが混ざり合っているため、サブシーズンタイムスケール(2～6週間前)で急激に低下します。 この劣化に対処するために,歴史的確率的予測を補正するために学習による体系的誤りを大幅に低減する機械学習フレームワークPBCを導入する。 European Centre for Medium-Range Weather Forecasts (ECMWF)の先進的なダイナミクスとAIモデルに適用すると、PBCはAI Forecasting Systemのサブシーズンスキルを2倍にし、91%の圧力、92%の温度、98%の降水目標に対する運用上の不均衡な動的モデルのスキルを改善する。 運用展開のためにPBCを設計し、ECMWFの2025年のリアルタイム予測コンペティションにおいて、そのグローバルな予測は、すべての気象変数とリードタイムで第一位に位置づけられ、6つの運用予測センタ、国際的な動的マルチモデルアンサンブル、ECMWFのAI予測システム、世界中の34チームの予測システムより優れています。 これらの確率的スキルの獲得は、極端な出来事をより正確に予測し、脆弱な地域社会における農業計画、エネルギー管理、災害対策を改善する可能性がある。

関連論文リスト

• Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings [11.259108118025736]
  急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。 本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発した。 FM-Castは10イベントの開始、強度、形態を20日前に正確に予測し、50%以上のアンサンブル精度を達成する。
  論文  参考訳（メタデータ） (2025-10-30T11:16:22Z)
• 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)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)
• Adaptive Bias Correction for Improved Subseasonal Forecasting [22.29412394093264]
  沈降予測は効果的な水配分、山火事の管理、干ばつと洪水の緩和に重要である。 近年の国際研究は、運用力学モデルのサブシーズン能力の向上に寄与している。 本稿では,最先端の動的予測と機械学習を用いた観測を組み合わせ,適応バイアス補正(ABC)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T21:22:44Z)

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。