論文の概要: SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland

• arxiv url: http://arxiv.org/abs/2605.16163v1
• Date: Fri, 15 May 2026 16:42:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.375839
• Title: SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland
• Title（参考訳）: SwAIther-Precip: スイスにおけるグローバルAI降雨予測のKilometer-Scaleダウンスケーリングを可能にするリードタイム対応バイアス補正
• Authors: Dan Assouline, Erwan Koch, Federico Amato, Filippo Quarenghi, Daniele Nerini, Thibaut Loiseau, Kyle van de Langemheen, Tom Beucler,
• Abstract要約: 我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。 生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
• 参考スコア（独自算出の注目度）: 2.7543347068089528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skillful medium-range precipitation forecasting at kilometer scale remains challenging over complex terrain because precipitation arises from multiscale nonlinear processes that global models cannot explicitly resolve at affordable cost. Global AI weather models can produce skillful medium-range forecasts, but their native 0.25 degrees resolution limits direct use for local hazard applications. Statistical downscaling can help bridge this gap, yet existing approaches often struggle with state-dependent, and especially lead-time-dependent, biases in global forecasts. We introduce SwAIther-Precip, a lead-time-aware downscaling framework that converts coarse-resolution AIFS forecasts into probabilistic km-scale precipitation fields over Switzerland. First, a U-Net conditioned on lead time via feature-wise linear modulation deterministically corrects systematic biases at coarse resolution. This targeted correction enables a cheaper super-resolution stage conditioned only on corrected precipitation, allowing direct training on observations rather than on the full atmospheric state. A diffusion-based model then generates fine-scale spatial variability independently of lead time. Using AIFS forecasts and CombiPrecip radar-gauge observations, SwAIther-Precip reduces CRPS by 48% relative to raw AIFS. The generated fields reproduce observed spatial variability with spectral fidelity above 0.85 at large scales and 0.88 at small scales, corresponding to an effective resolution of approximately 4 km on a 1 km grid for lead times up to 5 days. Training across lead times further improves long-range performance, yielding a 13% CRPS reduction at 6 days relative to lead-time-specific models. These results show that explicitly correcting lead-time-dependent biases before generative super-resolution is key to efficient km-scale probabilistic downscaling of global AI precipitation forecasts.
• Abstract（参考訳）: なぜなら、降水は、地球モデルでは手頃なコストで明確に解決できないような、多スケールの非線形プロセスから生じているからである。 グローバルAI気象モデルは、熟練した中距離予測を生成することができるが、そのネイティブな0.25度解像度は、ローカルハザードアプリケーションへの直接的な使用を制限している。 統計的ダウンスケーリングは、このギャップを埋めるのに役立つが、既存のアプローチは、しばしば、国家依存、特にリードタイム依存の、世界的な予測のバイアスに悩まされる。 我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。 第一に、特徴量線形変調によるリードタイム条件付きU-Netは、粗い解像度における系統的バイアスを決定論的に補正する。 この目標補正により、修正された降水のみを条件としたより安価な超解像ステージが可能となり、完全な大気状態ではなく、観測を直接訓練することができる。 拡散に基づくモデルでは、リード時間とは無関係に微小な空間変動が発生する。 AIFS予測とCombiPrecipレーダゲージ観測を用いて、Swather-Precipは、生のAIFSと比較してCRPSを48%削減する。 生成したフィールドは、大規模で0.08以上、小規模で0.08以上と観測された空間変動を再現し、最大5日間のリードタイムで1kmグリッド上の有効分解能は約4kmとした。 リードタイム間のトレーニングにより、長距離パフォーマンスが向上し、リードタイム固有のモデルと比較して6日間で13%のCRPSが減少する。 これらの結果は、生成超解像前におけるリード時間依存バイアスを明示的に補正することが、地球規模のAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵であることを示している。

関連論文リスト

• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Universal Diffusion-Based Probabilistic Downscaling [3.47037488116399]
  我々は、決定論的低分解能気象予測を高分解能予測に引き上げる、普遍的な拡散に基づくダウンスケーリングフレームワークを導入する。 1つの条件拡散モデルは、ペア化された粗分解能入力と高分解能領域再分析ターゲットに基づいて訓練される。 我々は,90hまでのリード時間における独立駅観測に対する確率的予測を評価した。
  論文  参考訳（メタデータ） (2026-02-12T12:42:46Z)
• A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS [0.410492188035848]
  本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
  論文  参考訳（メタデータ） (2025-12-09T19:23:27Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• 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)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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。