論文の概要: Guided Diffusion Sampling for Precipitation Forecast Interventions

• arxiv url: http://arxiv.org/abs/2605.14317v1
• Date: Thu, 14 May 2026 03:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.602578
• Title: Guided Diffusion Sampling for Precipitation Forecast Interventions
• Title（参考訳）: 降雨予報のための誘導拡散サンプリング
• Authors: Ayumu Ueyama, Kazuhiko Kawamoto, Hiroshi Kera,
• Abstract要約: データ駆動型気象予測モデルを用いた気象制御のための摂動に基づく介入はまだ検討されていない。 拡散サンプリングによる降水・降水介入のための勾配に基づくガイダンスフレームワークを提案する。 本手法は, 逆方向の摂動よりも物理的に妥当な介入を行ない, 効果的な降水量削減を実現する。
• 参考スコア（独自算出の注目度）: 12.961180148172199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme precipitation causes severe societal and economic damage, and weather control has long been discussed as a potential mitigation strategy. However, to the best of our knowledge, perturbation-based interventions for weather control using data-driven weather forecasting models have not yet been explored. While adversarial attacks also generate perturbations that alter forecasts, they aim to exploit model artifacts and do not account for physical plausibility. In this paper, we propose a gradient-based guidance framework for precipitation-reduction interventions through diffusion sampling in diffusion-based weather forecasting models. Instead of directly perturbing atmospheric states, our method steers the diffusion sampling trajectory, enabling precipitation reduction while maintaining consistency with the atmospheric distribution. To assess physical plausibility, we evaluate from three perspectives: (i) vertical and variable-wise perturbation profiles, (ii) latent-space trajectory deviation, and (iii) cross-model transferability. Experiments on extreme precipitation events from WeatherBench2 demonstrate that our method achieves effective precipitation reduction while yielding more physically plausible interventions than adversarial perturbations.
• Abstract（参考訳）: 極度の降水は社会と経済に深刻な被害をもたらし、気象管理は潜在的な緩和戦略として長い間議論されてきた。 しかし、我々の知る限り、データ駆動型気象予測モデルを用いた気象制御のための摂動に基づく介入はまだ検討されていない。 敵の攻撃は予測を変える摂動も生み出すが、彼らはモデルアーティファクトの活用を目標とし、物理的妥当性を考慮しない。 本稿では,拡散型気象予測モデルにおける拡散サンプリングによる降水・降水介入のための勾配に基づくガイダンスフレームワークを提案する。 大気の直接摂動ではなく, 拡散サンプリング軌道を制御し, 大気分布との整合性を維持しつつ, 降水量削減を可能にした。 身体的妥当性を評価するために,3つの視点から評価する。 (i)縦方向及び可変方向の摂動プロファイル (二)潜時空間軌道偏差、及び (iii)クロスモデル転送可能性。 WeatherBench2による極端降水現象の実験により, 逆方向の摂動よりも物理的に妥当な介入を行ないながら, 効果的な降水抑制を実現することが示された。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
  地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。 本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。 従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
  論文  参考訳（メタデータ） (2025-04-01T00:21:31Z)
• Leadsee-Precip: A Deep Learning Diagnostic Model for Precipitation [0.0]
  本稿では,気象循環場から降水を生成するための地球規模の深層学習モデルであるPedsee-Precipを提案する。 このモデルは、降水量予測の課題に取り組むために、情報バランススキームを利用する。 Leadsee-Precipの降水量は観測値とより一致しており、地球規模の数値天気予報モデルと競合する性能を示している。
  論文  参考訳（メタデータ） (2024-11-19T16:51:56Z)
• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• DiffObs: Generative Diffusion for Global Forecasting of Satellite Observations [4.653770685661304]
  本研究は, 自然降雨のグローバルな進化を予測するための自己回帰的生成拡散モデル(DiffObs)を提案する。 モデルは, 日頭降雨の確率論的予測のために訓練されているが, 複数ヶ月のロールアウトには安定であり, 熱帯における対流結合波動モードの定性的に現実的な重ね合わせが明らかである。
  論文  参考訳（メタデータ） (2024-04-04T05:24:22Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)

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。