論文の概要: StormNet: Improving storm surge predictions with a GNN-based spatio-temporal offset forecasting model

• arxiv url: http://arxiv.org/abs/2604.20688v2
• Date: Thu, 23 Apr 2026 14:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.059643
• Title: StormNet: Improving storm surge predictions with a GNN-based spatio-temporal offset forecasting model
• Title（参考訳）: StormNet:GNNに基づく時空間オフセット予測モデルによる暴風予報の改善
• Authors: Noujoud Nader, Stefanos Giaremis, Clint Dawson, Carola Kaiser, Karame Mohammadiporshokooh, Hartmut Kaiser,
• Abstract要約: StormNetは、極端な気象イベントにおける嵐発生予測精度と信頼性を改善するためのグラフベースのフレームワークである。 また,48時間予測では70%以上,72時間予測では50%以上削減できる。 StormNetはトレーニング時間も低く、リアルタイムの運用予測システムへの適用性も向上している。
• 参考スコア（独自算出の注目度）: 0.19591672610801836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Storm surge forecasting remains a critical challenge in mitigating the impacts of tropical cyclones on coastal regions, particularly given recent trends of rapid intensification and increasing nearshore storm activity. Traditional high fidelity numerical models such as ADCIRC, while robust, are often hindered by inevitable uncertainties arising from various sources. To address these challenges, this study introduces StormNet, a spatio-temporal graph neural network (GNN) designed for bias correction of storm surge forecasts. StormNet integrates graph convolutional (GCN) and graph attention (GAT) mechanisms with long short-term memory (LSTM) components to capture complex spatial and temporal dependencies among water-level gauge stations. The model was trained using historical hurricane data from the U.S. Gulf Coast and evaluated on Hurricane Idalia (2023). Results demonstrate that StormNet can effectively reduce the root mean square error (RMSE) in water-level predictions by more than 70\% for 48-hour forecasts and above 50\% for 72-hour forecasts, as well as outperform a sequential LSTM baseline, particularly for longer prediction horizons. The model also exhibits low training time, enhancing its applicability in real-time operational forecasting systems. Overall, StormNet provides a computationally efficient and physically meaningful framework for improving storm surge prediction accuracy and reliability during extreme weather events.
• Abstract（参考訳）: 沿岸域における熱帯低気圧の影響を緩和する上で、特に近年の急激な拡大と海岸付近の嵐活動の増大を考慮すれば、暴風雨の予報は依然として重要な課題である。 ADCIRCのような従来の高忠実度数値モデルは、頑丈ではあるが、様々な情報源から生じる不確実性によってしばしば妨げられる。 これらの課題に対処するために、ストームサージ予測のバイアス補正を目的とした時空間グラフニューラルネットワーク(GNN)であるStormNetを紹介した。 StormNetは、グラフ畳み込み(GCN)とグラフアテンション(GAT)機構を長期記憶(LSTM)コンポーネントと統合し、水位ゲージステーション間の複雑な空間的および時間的依存関係をキャプチャする。 このモデルは、アメリカ湾岸の歴史的ハリケーンデータを用いて訓練され、ハリケーン・イダリア(2023年)で評価された。 その結果、ストームネットは水面予測における根平均二乗誤差(RMSE)を48時間予測では70倍以上、72時間予測では50倍以上削減し、特に長期予測ではLSTMベースラインを上回り得ることを示した。 このモデルは訓練時間も低く、リアルタイムの運用予測システムに適用性を高めている。 全体として、StormNetは、極端な気象イベントにおける暴風雨の予測精度と信頼性を改善するために、計算的に効率的で物理的に意味のあるフレームワークを提供する。

関連論文リスト

• HURRI-GAN: A Novel Approach for Hurricane Bias-Correction Beyond Gauge Stations using Generative Adversarial Networks [0.18656146690536282]
  HURRI-GANは、時系列生成対向ネットワーク(TimeGAN)を用いた物理シミュレーションモデルにより生成された結果を増大させる新しいAI駆動型アプローチである。 本研究では,水位ゲージ局の位置を超えた空間領域に対するモデル偏差補正法の最初の結果を示す。
  論文  参考訳（メタデータ） (2026-02-27T19:50:12Z)
• Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model [3.468838035344738]
  熱帯サイクロン(TC)強度の正確な予測は、運用気象学の課題である。 機械学習の最近の進歩は、TC予測の顕著な進歩をもたらした。 本稿では,非定常5日間の強度軌跡を生成するトランスフォーマーに基づく予測モデルNetを紹介する。
  論文  参考訳（メタデータ） (2025-09-18T20:50:17Z)
• 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)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach [0.0]
  ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。 モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
  論文  参考訳（メタデータ） (2021-10-30T00:31:48Z)
• RAP-Net: Region Attention Predictive Network for Precipitation Nowcasting [15.587959542301789]
  予測を改善するためにリコール注意機構(RAM)を提案する。 実験の結果,提案する領域注意予測ネットワーク(RAP-Net)は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-03T15:55:18Z)
• Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
  熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。 我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。 この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。