論文の概要: Improving Ensemble CAPE Forecasts with a Diffusion Model Incorporating Aerosol Information

• arxiv url: http://arxiv.org/abs/2605.24009v1
• Date: Tue, 19 May 2026 18:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.529739
• Title: Improving Ensemble CAPE Forecasts with a Diffusion Model Incorporating Aerosol Information
• Title（参考訳）: エアロゾル情報を含む拡散モデルによるエンサンブルCAPE予測の改善
• Authors: Zachary James, Joseph Guinness, Arthur DeGaetano,
• Abstract要約: 対流可能なポテンシャルエネルギー(CAPE)は、厳しい天候を予測する上で重要な変数である。 最新のGlobal Forecast System(GFS)と関連するGlobal Ensemble Forecast System(GEFS)は、夏期のCAPEの過小評価に偏っている。 我々は人工知能(AI)拡散モデルを訓練し、米国における午後6時間のリードタイムアンサンブル予測のスキルと不確実性を向上させる。
• 参考スコア（独自算出の注目度）: 0.4014524824655106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convective available potential energy (CAPE) is an important variable for forecasting severe weather and understanding deep convection and precipitation. The latest versions of the Global Forecast System (GFS) and related Global Ensemble Forecast System (GEFS) have exhibited a bias towards underestimating CAPE values during the summertime. We train an artificial intelligence (AI) diffusion model to improve the skill and uncertainty quantification of afternoon 6-hour lead time ensemble forecasts over the United States. Our model takes a GFS CAPE forecast as input and outputs an ensemble that significantly outperforms both GFS and GEFS 6-hour forecasts on root mean square error, continuous ranked probability score, and Brier score. We propose a two-stage training pipeline to leverage both a larger historical GFS forecast dataset and a smaller historical GEFS dataset, despite the two using initialization and parameterization schemes that vary over time. We also show that classifier-free guidance can be used to control the skill and spread of the forecasts. We then demonstrate the versatility of our framework by adding aerosol optical depths (AODs) of black carbon, organic carbon, dust, sea salt, and sulfates as additional input features. Aerosols can invigorate or suppress convection depending on atmospheric conditions. Our AI models effectively incorporate aerosols to produce improved CAPE forecasts. We interpret the model components by using permutation feature importance to rank the influence of the different AODs and find that black carbon, organic carbon, and sulfate aerosols have a greater impact on the model's CAPE predictions than sea salt and dust aerosols.
• Abstract（参考訳）: 対流可能電位エネルギー(CAPE)は、厳しい天候を予測し、深い対流と降水を理解するための重要な変数である。 最新のGlobal Forecast System(GFS)と関連するGlobal Ensemble Forecast System(GEFS)は、夏期のCAPEの過小評価に偏っている。 我々は人工知能(AI)拡散モデルを訓練し、米国における午後6時間のリードタイムアンサンブル予測のスキルと不確実性の定量化を図る。 本モデルでは, GFS CAPE 予測を入力とし, GFS と GEFS の 6 時間予測において, ルート平均二乗誤差, 連続的なランク付け確率スコア, ブライアスコアを有意に上回るアンサンブルを出力する。 我々は,時間とともに変化する初期化とパラメータ化スキームを用いているにもかかわらず,より大きな歴史的GEFS予測データセットとより小さな歴史的GEFSデータセットの両方を活用するための2段階のトレーニングパイプラインを提案する。 また,予測のスキルと拡散を制御するために,分類器フリーガイダンスが利用可能であることを示す。 次に, 炭素, 有機炭素, 塵, 海水塩, 硫酸塩のエアロゾル光学深度(AOD)を付加することで, 枠組みの汎用性を実証した。 エアロゾルは大気条件に応じて対流を活性化または抑制することができる。 我々のAIモデルは、改良されたCAPE予測を生成するためにエアロゾルを効果的に組み込んでいる。 我々は, モデル成分の置換特性を用いて, 異なるAODの影響をランク付けし, 黒色炭素, 有機炭素, 硫酸塩エアロゾルが, 海水や塵のエアロゾルよりもCAPE予測に大きく影響していることを見出した。

関連論文リスト

• AIFS-COMPO: A Global Data-Driven Atmospheric Composition Forecasting System [0.8074567926023328]
  我々は,エアロゾルと反応性ガスの高感度データ駆動グローバル予測システムであるAIFS-COMPOを紹介する。 ECMWF Artificial Intelligence Forecast System (AIFS)上に構築されているAIFS-COMPOは、トランスフォーマーベースのエンコーダ-プロセッサ-デコーダアーキテクチャを採用している。 我々は,AIFS-COMPOを大気組成の観測範囲に対して評価し,その性能を運用型CAMSグローバル予測システムIFS-COMPOと比較した。
  論文  参考訳（メタデータ） (2026-03-29T11:16:49Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
  南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。 モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
  論文  参考訳（メタデータ） (2025-09-02T01:51:40Z)
• 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)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• 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)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。