論文の概要: Improvements to the post-processing of weather forecasts using machine learning and feature selection
- arxiv url: http://arxiv.org/abs/2604.19340v1
- Date: Tue, 21 Apr 2026 11:17:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.73551
- Title: Improvements to the post-processing of weather forecasts using machine learning and feature selection
- Title（参考訳）: 機械学習と特徴選択による天気予報後処理の改善
- Authors: Kazuma Iwase, Tomoyuki Takenawa,
- Abstract要約: 本研究の目的は,降水量,温度,風速予測のための機械学習に基づく後処理モデルの開発と改良である。
対象地を囲む格子点からの気象変数を入力特徴として取り入れ,相関解析に基づく特徴選択を適用することにより,LightGBMモデルによるRMSEの低下が確認された。
降水量はゼロの場合が多いため,ツイーディに基づく損失関数と,降水予測のためのイベント重み付きトレーニング戦略も検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study aims to develop and improve machine learning-based post-processing models for precipitation, temperature, and wind speed predictions using the Mesoscale Model (MSM) dataset provided by the Japan Meteorological Agency (JMA) for 18 locations across Japan, including plains, mountainous regions, and islands. By incorporating meteorological variables from grid points surrounding the target locations as input features and applying feature selection based on correlation analysis, we found that, in our experimental setting, the LightGBM-based models achieved lower RMSE than the specific neural-network baselines tested in this study, including a reproduced CNN baseline, and also generally achieved lower RMSE than both the raw MSM forecasts and the JMA post-processing product, MSM Guidance (MSMG), across many locations and forecast lead times. Because precipitation has a highly skewed distribution with many zero cases, we additionally examined Tweedie-based loss functions and event-weighted training strategies for precipitation forecasting. These improved event-oriented performance relative to the original LightGBM model, especially at higher rainfall thresholds, although the gains were site dependent and overall performance remained slightly below MSMG.
- Abstract（参考訳）: 本研究では,日本気象庁(JMA)のメソスケールモデル(Mesoscale Model, MSM)を用いた,降水・気温・風速予測のための機械学習による後処理モデルの開発と改良を目的とした。
入力特徴として対象位置を囲む格子点からの気象変数を取り入れ,相関分析に基づく特徴選択を適用することにより,本研究で検証した特定のニューラルネットワークベースラインよりも,LightGBMベースのモデルの方がRMSEが低く,また,生のMSM予測やJMA後処理製品であるMSMガイダンス(MSMG)よりも一般的にRMSEが低値であることが確認された。
降水量はゼロの場合が多いため,ツイーディに基づく損失関数と,降水予測のためのイベント重み付きトレーニング戦略も検討した。
これらの改善は、特に降雨閾値が高いところにおいて、元のLightGBMモデルと比較してイベント指向性能を改善したが、その利得はサイト依存であり、全体的な性能はMSMGよりわずかに低いままであった。
関連論文リスト
- A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity [0.0]
本研究は,中国重慶市の大気温度と相対湿度を予測する機械学習モデル7つを比較した。
XGBoostは、テスト平均絶対誤差(MAE)が0.302Cで、相対湿度が1.271%である。
論文 参考訳（メタデータ） (2026-03-24T14:47:52Z) - 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) - Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。
実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
論文 参考訳（メタデータ） (2024-12-11T00:42:31Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。
我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
論文 参考訳（メタデータ） (2024-04-04T09:12:13Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。
生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。
RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文 参考訳（メタデータ） (2020-01-16T17:13:37Z)
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。