論文の概要: Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction

• arxiv url: http://arxiv.org/abs/2605.06911v1
• Date: Thu, 07 May 2026 20:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.601345
• Title: Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction
• Title（参考訳）: 日中・日中温度予測における構造的予測可能性に関する2段階核融合実験
• Authors: Elnaz Bashir, Jiali Wang, Lin Yan,
• Abstract要約: S2S予測可能性は時間的・空間的・大規模パターンコヒーレンスにまたがって構成されていることを示す。 これらの結果は、予測システムを改善し、実際に使用することを通知するための、より解釈可能な基盤を提供する。
• 参考スコア（独自算出の注目度）: 7.457194039590938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subseasonal-to-seasonal (S2S) temperature forecasts, spanning several weeks to a few months, are critically needed in agriculture practice, energy planning, and extreme-weather induced risk management, yet their reliability varies substantially across seasons and regions. Forecast skill is often attributed primarily to lead time, but this perspective does not fully explain the spatiotemporal patterns of predictability. Here we show that S2S predictability is organized across interacting temporal components, spatial heterogeneity, and large-scale pattern coherence, and that this structure can be explicitly characterized and exploited. We develop a dual-scale learning framework that separates calendar-aligned historical climate context from lead-time matched recent weather evolution, combining them through spatially adaptive fusion to enable stable temperature forecasts across the 30 to 90-day window. The learned fusion weights reveal that the balance between these two temporal scales shifts systematically with season and geography: during winter, interannual context dominates over high latitudes and complex terrain where forecast is the most difficult, while summer predictions reflect a more balanced temporal contribution across the domain. This spatially explicit reorganization of predictability, rather than simple lead-time decay, emerges as the primary determinant of forecast skill within the subseasonal window. Topology-aware structural constraints further improve spatial coherence of predicted temperature fields, stabilizing large-scale pattern organization particularly over complex terrain. These results reframe S2S predictability as a structured, multi-scale phenomenon, providing a more interpretable foundation for improving forecast systems and informing their use in practice.
• Abstract（参考訳）: 数週間から数ヶ月にわたって続くS2S (Subseasonal-to-seasonal) の気温予測は、農業の実践、エネルギー計画、極端に温暖化によるリスク管理において極めて必要であるが、その信頼性は季節や地域によって大きく異なる。 予測スキルは主にリードタイムに起因するが、この視点では予測可能性の時空間パターンを完全に説明できない。 本稿では、S2S予測可能性について、相互作用する時間的成分、空間的不均一性、大規模パターンコヒーレンスにまたがって整理し、この構造を明示的に評価し、活用可能であることを示す。 本研究では,過去の気象状況とリードタイムの一致した最近の気象変化を分離し,空間適応型融合により30日から90日間の窓面における安定した温度予測を可能にする2段階学習フレームワークを開発した。 冬の間は、冬の間は高緯度と複雑な地形が支配的であり、夏はドメイン全体でよりバランスのとれた時間的貢献を反映している。 この空間的に明らかな予測可能性の再編成は、単純なリードタイム崩壊ではなく、サブシーズンウィンドウ内の予測スキルの一次決定要因として現れる。 トポロジーを考慮した構造制約は、予測温度場の空間コヒーレンスをさらに向上させ、特に複雑な地形上で大規模パターン構造を安定化させる。 これらの結果は、S2S予測可能性を構造化されたマルチスケールの現象として再編成し、予測システムを改善し、実際に使用することを示すためのより解釈可能な基盤を提供する。

関連論文リスト

• Skillful Subseasonal-to-Seasonal Forecasting of Extreme Events with a Multi-Sphere Coupled Probabilistic Model [15.895958611071286]
  TianXing-S2Sは、グローバルS2Sの日次アンサンブル予測のための多球結合確率モデルである。 本モデルでは, 熱波や異常降水などの極端な現象を, 巧妙に予測できる。
  論文  参考訳（メタデータ） (2025-12-14T04:28:51Z)
• Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting [9.604302577187788]
  S2S予測は農業計画、エネルギー管理、災害対策にとって重要なフロンティアである。 現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。 textbfTelePiTは,マルチスケール物理とテレコネクション認識を統合してグローバルなS2S予測を強化する,新しいディープラーニングアーキテクチャである。
  論文  参考訳（メタデータ） (2025-06-08T16:32:21Z)
• TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State [23.8714341737652]
  正確なサブシーズン・ツー・シーソン(S2S)予測は農業、エネルギー生産、緊急管理において決定に不可欠である。 近年のデータ駆動型研究は有望な結果を示しているが、その性能は気候状態の不十分な取り込みとモデル劣化傾向によって制限されている。 本研究では,気象予報モデルであるTianQuan-S2Sを提案する。
  論文  参考訳（メタデータ） (2025-04-14T07:02:34Z)
• Generative assimilation and prediction for weather and climate [9.319028023682494]
  GAP(Generative Assimilation and Prediction)を紹介する。 GAPは気候と気候の同化と予測のための統合された枠組みである。 データ同化、シームレスな予測、気候シミュレーションなど、幅広い気候関連タスクに優れています。
  論文  参考訳（メタデータ） (2025-03-04T22:36:29Z)
• 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)
• Maximizing the Impact of Deep Learning on Subseasonal-to-Seasonal Climate Forecasting: The Essential Role of Optimization [17.574436380991266]
  天気予報や気候予報は農業や災害管理といった分野にとって不可欠である。 2週間から6週間にわたるS2Sスケールでの予測は依然として困難である。 本稿では,ネットワーク構造ではなく最適化が,この性能ギャップの根本原因になり得ることを示す。
  論文  参考訳（メタデータ） (2024-11-23T08:01:54Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。