論文の概要: Extreme Weather Bench: A framework and benchmark for evaluation of high-impact weather

• arxiv url: http://arxiv.org/abs/2605.01126v1
• Date: Fri, 01 May 2026 21:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.595991
• Title: Extreme Weather Bench: A framework and benchmark for evaluation of high-impact weather
• Title（参考訳）: Extreme Weather Bench:ハイインパクト気象評価のためのフレームワークとベンチマーク
• Authors: Amy McGovern, Taylor Mandelbaum, Daniel Rothenberg, Nicholas Loveday, Corey Potvin, Montgomery Flora, Linus Magnusson, Eric Gilleland, John Allen,
• Abstract要約: モデル検証と検証を容易にするコミュニティ主導のベンチマークスイートであるExtreme Weather Bench (EWB)を紹介した。 EWBは、ユーザーがモデルを評価するためのケーススタディ、観察データ、インパクトベースのメトリクス、およびオープンソースコードの標準セットを提供する。 EWBは、あらゆる気象モデルの科学を前進させ、モデル間の真の比較を可能にし、特定の高影響現象に関するモデルを評価する。
• 参考スコア（独自算出の注目度）: 1.6226214042253508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting the wide variety of high-impact weather events experienced globally is a challenge for both Artificial Intelligence (AI) and Numerical Weather Prediction (NWP) models and it is critical that such models be properly verified before deployment. Although AI weather models are rapidly evolving, much of their evaluation is currently done either with a global-scale evaluation or by hand-picking a small number of case studies or a region. A widely-used open-source benchmark suite focusing on high-impact weather will help to drive the science forward for all scales of weather models, as it has for other AI fields. Here we introduce Extreme Weather Bench (EWB), a new community-driven benchmark suite that facilitates model validation and verification on a variety of high-impact hazards that matter to people around the globe. EWB provides a standard set of case studies (spanning across multiple spatial and temporal scales and different parts of the weather spectrum), observational data, impact-based metrics, and open-source code for users to evaluate their models. Verifying that a model works against a standard set of case studies, especially events that are high-impact for the general public, is a key piece of improving the trustworthiness of AI models. EWB will help to drive the science forward for all weather models, enabling true comparisons across models and evaluating models on specific high-impact phenomena through the use of case studies. EWB is a free open-source community-driven system and will continue to evolve to include additional phenomena, test cases and metrics in collaboration with the worldwide weather and forecast verification community.
• Abstract（参考訳）: 全世界で経験する様々な高インパクト気象事象を予測することは、人工知能(AI)モデルと数値気象予測(NWP)モデルの両方にとって課題であり、これらのモデルが配備前に適切に検証されることが重要である。 AI気象モデルは急速に進化しているが、その評価の多くは現在、世界規模の評価か、少数のケーススタディや地域を手作業で行う。 ハイインパクトな気象に焦点を当てた、広く使われているオープンソースのベンチマークスイートは、他のAI分野と同様に、あらゆる規模の気象モデルの科学を前進させるのに役立つだろう。 EWB(Extreme Weather Bench)は,世界中の人々にとって重要な,さまざまな影響の高いハザードに対するモデル検証と検証を容易にする,コミュニティ主導のベンチマークスイートである。 EWBは標準的なケーススタディ(複数の空間スケールと時間スケール、気象スペクトルの異なる部分)、観測データ、インパクトベースのメトリクス、ユーザーがモデルを評価するためのオープンソースコードを提供する。 モデルが標準的なケーススタディ、特に一般大衆にとってインパクトの高いイベントに対して機能することを検証することは、AIモデルの信頼性を改善する上で重要な要素である。 EWBはあらゆる気象モデルに対して科学を前進させ、モデル間の真の比較を可能にし、ケーススタディを用いて特定の高影響現象に関するモデルを評価する。 EWBはフリーのオープンソースコミュニティ主導のシステムであり、世界中の天気予報コミュニティと共同で追加の現象、テストケース、メトリクスを含むよう進化し続ける。

関連論文リスト

• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
  我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。 本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。 私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
  論文  参考訳（メタデータ） (2024-09-14T08:53:46Z)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• The Compatibility between the Pangu Weather Forecasting Model and Meteorological Operational Data [22.582123955476064]
  一般に用いられているNWP操作解析とPangu-Weatherモデルとの整合性を評価する。 我々は,パング・ウィーザーモデルの予測性能向上にグローバル・ローカル・初期条件の品質向上が寄与することが確認された。
  論文  参考訳（メタデータ） (2023-08-07T23:10:32Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)

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。