論文の概要: Conditional Flow Matching for Probabilistic Downscaling of Maximum 3-day Snowfall in Alaska

• arxiv url: http://arxiv.org/abs/2604.25172v1
• Date: Tue, 28 Apr 2026 03:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.694888
• Title: Conditional Flow Matching for Probabilistic Downscaling of Maximum 3-day Snowfall in Alaska
• Title（参考訳）: アラスカにおける最大3日間降雪の確率的ダウンスケーリングのための条件流整合
• Authors: Douglas Brinkerhoff, Elizabeth Fischer,
• Abstract要約: 粗度気候モデル出力と高分解能地形のマッピングを学習する条件生成モデルであるWxFlowを提案する。 WxFlowはアラスカ南東部の最大3日間の降雪の4kmのWRFシミュレーションに適用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Precipitation in complex terrain is governed by orographic processes operating at scales of a few kilometers, yet climate models typically run at resolutions of 50--100~km where this topographic detail is absent. Dynamical downscaling with high-resolution regional models such as WRF can resolve these processes, but the computational cost -- months of wall-clock time per scenario -- precludes the large ensembles needed for uncertainty quantification. We present WxFlow, a conditional generative model based on flow matching that learns to map coarse-resolution climate model output and high-resolution topography to calibrated probabilistic ensembles of fine-scale precipitation fields. Applied to 4~km WRF simulations of maximum 3-day snowfall over southeast Alaska, WxFlow achieves 87.8\% improvement in spectral fidelity and dramatically lower Continuous Ranked Probability Scores relative to conventional lapse-rate-corrected bicubic downscaling, while generating 50-member ensembles in seconds on a laptop. Ensemble spread is spatially coherent and governed by topography, reflecting physically plausible uncertainty structure. All code is available at https://github.com/glide-ism/wrf-flow.
• Abstract（参考訳）: 複雑な地形の降水は、数kmのスケールで活動するオーログラフィープロセスによって制御されるが、気候モデルは通常、この地形の詳細が欠落している50-100~kmの解像度で実行される。 WRFのような高解像度の地域モデルによる動的ダウンスケーリングはこれらのプロセスを解決できるが、計算コスト(シナリオ毎のウォールクロック時間)は不確実な定量化に必要な大規模なアンサンブルを妨げている。 WxFlowは,粗大な気候モデルと高分解能地形を微粒な降水場の確率的アンサンブルにマッピングするフローマッチングに基づく条件付き生成モデルである。 アラスカ州南東部の最大3日間の降雪の4～kmのWRFシミュレーションに応用すると、WxFlowはスペクトルの忠実度が87.85%向上し、従来のラプスレート補正バイキュビックダウンスケーリングと比較して連続的なランク付け確率スコアが劇的に低下し、ラップトップ上で50人のメンバーのアンサンブルが生成される。 エンサンブルスプレッドは空間的コヒーレントであり、物理的にもっとも確実な不確実性構造を反映して地形によって統治される。 すべてのコードはhttps://github.com/glide-ism/wrf-flowで入手できる。

関連論文リスト

• High-Resolution Probabilistic Data-Driven Weather Modeling with a Stretched-Grid [1.2136581144377903]
  本研究では、任意の予測長とアンサンブルサイズで87変数の高空間分解能を実現するためのデータ駆動型気象モデルを提案する。 このモデルは、実空間とスペクトル空間におけるポイントワイドの評価されたCRPS(Continuous Ranked Probability Score)に基づく損失関数を用いて訓練される。
  論文  参考訳（メタデータ） (2025-11-28T10:08:03Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• 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)
• 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)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。