論文の概要: WeatherSyn: An Instruction Tuning MLLM For Weather Forecasting Report Generation

• arxiv url: http://arxiv.org/abs/2605.07522v1
• Date: Fri, 08 May 2026 09:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.978585
• Title: WeatherSyn: An Instruction Tuning MLLM For Weather Forecasting Report Generation
• Title（参考訳）: WeatherSyn:天気予報レポート生成のためのインストラクションチューニングMLLM
• Authors: Zinan Zheng, Yang Liu, Nuo Chen, Juepeng Zheng, Hong Cheng, Jia Li,
• Abstract要約: 本稿では、天気予報(WFR)タスクを提案し、このタスクのための最初の命令調整データセット、nameDatasetNameLを構築する。 このコーパスに基づいて,天気予報生成に特化したモデルモデル ModelNameL を開発した。
• 参考スコア（独自算出の注目度）: 24.52950725546607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate weather forecast reporting enables individuals and communities to better plan daily activities and agricultural operations. However, the current reporting process primarily relies on manual analysis of multi-source data, which leads to information overload and reduced efficiency. With the development of multimodal large language models (MLLMs), leveraging data-driven models to analyze and generate reports in the weather forecasting domain remains largely underexplored. In this work, we propose the Weather Forecasting Report (WFR) task and construct the first instruction-tuning dataset for this task, named~\DatasetNameL, which covers 31 cities in America and 8 weather aspects. Based on this corpus, we develop the first model, \ModelNameL, specialized in generating weather forecast reports. Evaluation across multiple metrics on our dataset shows that \ModelNameL~ consistently outperforms leading closed-source MLLMs, particularly on structurally complex weather aspects. We further analyze its performance across diverse geographic regions and weather aspects. \ModelNameL~ demonstrates strong transferability across different regions, highlighting its zero-shot generalization capability. \ModelNameL~offers valuable insight for developing MLLMs specialized in weather report generation. .
• Abstract（参考訳）: 正確な天気予報により、個人やコミュニティは日々の活動や農業活動をより良く計画できる。 しかし、現在の報告プロセスは主に、情報の過負荷と効率の低下につながるマルチソースデータの手動分析に依存している。 マルチモーダルな大規模言語モデル (MLLM) の開発により、気象予報領域におけるレポートの分析と生成にデータ駆動モデルを活用することは、ほとんど未熟なままである。 本研究では、気象予報(WFR)タスクを提案し、アメリカの31都市と8つの気象面をカバーする「\DatasetNameL」と命名された、このタスクのための最初のインストラクションチューニングデータセットを構築する。 このコーパスに基づいて,天気予報レポートの作成に特化して,最初のモデルであるモデルNameLを開発した。 我々のデータセット上での複数の指標による評価は、特に構造的に複雑な気象面において、主要なクローズドソースMLLMよりも一貫して優れていることを示している。 さらに、地域によって異なる地域や気象面において、その性能を解析する。 \ModelNameL~は、そのゼロショットの一般化能力を強調して、異なるリージョン間で強い転送性を示す。 気象予報を専門とするMLLMの開発には, モデルNameL~オフが有用である。 と。

関連論文リスト

• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting [3.0354231393746685]
  階層型AI-気象学者は、階層型予測推論と天気キーワード生成を用いて説明可能な天気予報を生成する。 本フレームワークは,時間,6時間,日毎の多段階的推論を行い,短期的動態と長期的傾向の両方を捉える。
  論文  参考訳（メタデータ） (2025-11-28T17:27:06Z)
• ClimaEmpact: Domain-Aligned Small Language Models and Datasets for Extreme Weather Analytics [27.060978828050352]
  大規模言語モデル(LLM)は、膨大な量の構造化されていないテキストデータを処理し、意味のある洞察を抽出し、詳細な評価を生成する。 LLMは、言語理解をより小さなモデルにシームレスに移行し、特定のタスクを微調整しながら重要な知識を保持することができる。 構造化推論経路を組み込んだ小型言語モデル(SLM)を強化する手法であるExtreme Weather Reasoning-Aware Alignment (EWRA)を提案する。
  論文  参考訳（メタデータ） (2025-04-27T01:15:14Z)
• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• CLLMate: A Multimodal Benchmark for Weather and Climate Events Forecasting [28.560095276214543]
  気象・気候イベント予測(WCEF)を提案し,気象・気候事象を予測する。 CLLMateは、26,156の環境ニュース記事とERA5の再分析データを用いたWCEFの最初のデータセットである。 我々は、CLLMate上に23の既存のMLLMを体系的にベンチマークし、クローズドソース、オープンソース、そして細調整されたモデルを作成しました。
  論文  参考訳（メタデータ） (2024-09-27T18:00:13Z)
• MM-Forecast: A Multimodal Approach to Temporal Event Forecasting with Large Language Models [55.5765505287505]
  大規模言語モデルを用いた多モーダル時間事象予測の新興かつ興味深い課題について検討する。 本稿では,画像が時間的事象予測のシナリオで果たす重要な2つの機能,すなわちハイライトと補完機能について述べる。 我々は,これらの関数記述を大規模言語モデルに組み込んだ,MM-Forecastという新しいフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-08-08T11:44:57Z)
• A Comprehensive Evaluation of Large Language Models on Temporal Event Forecasting [45.0261082985087]
  時間的事象予測のための大規模言語モデル(LLM)を総合的に評価する。 テキストによる微調整 LLM は性能を著しく向上させることができる。 しかし、LLMでは人気バイアスやロングテール問題などの問題が続いている。
  論文  参考訳（メタデータ） (2024-07-16T11:58:54Z)

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。