論文の概要: Forecasting threshold exceedance of atmospheric variables at a specific location
- arxiv url: http://arxiv.org/abs/2605.31079v1
- Date: Fri, 29 May 2026 09:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.52093
- Title: Forecasting threshold exceedance of atmospheric variables at a specific location
- Title（参考訳）: 特定位置における大気変数の予測しきい値超過
- Abstract要約: 完全分布確率法は, 極端に稀な事象に対して, 直接的手法よりも常に優れていることを示す。
この利点は、完全な分布アプローチが中等度および軽度な強度事象から条件分布のパラメータを効果的に学習するから生じる。
選択した分布のパラメトリックな形状は, バルク特性の予測可能なシフトを正確に把握するよりも, 二次的な役割を担っていることがわかった。
- 参考スコア（独自算出の注目度）: 0.15039745292757667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study compares two methodological approaches for predicting, at a given site, threshold exceedances of atmospheric variables such as temperature and wind speed: (i) direct probabilistic methods, which treat exceedance as a binary classification problem, and (ii) full distribution probabilistic methods, which model the complete conditional probability law of the target variable. Using theoretical analysis and numerical simulations on a toy model, alongside real-world data from the MeteoNet dataset (2016--2018) for southeastern France, we demonstrate that the full distribution approach consistently outperforms the direct method for rare, extreme events. This advantage arises because the full distribution approach effectively learns the parameters of the conditional distribution from moderate and mild intensity events, thereby achieving better calibration and discrimination in the tails. We find that the specific parametric shape of the chosen distribution plays a secondary role compared to accurately capturing predictable shifts in its bulk properties (i.e., mean and variance). This empirical indistinguishability is also informative about the physical mechanics driving atmospheric extremes, suggesting that extreme exceedances are primarily driven by significant conditional displacements of the entire distribution rather than by unpredictable, fat-tailed anomalies within a static climatology. Our results are validated for both strong surface wind speeds and intense hourly rainfall, with performance evaluated using proper scoring rules (Brier score, logarithmic score) and deterministic skill scores (Peirce Skill Score, CSI, HSS). These findings highlight the critical importance of modeling the full probability distribution for rare-event forecasting and provide practical guidance for improving extreme weather prediction in operational meteorology.
- Abstract（参考訳）: 本研究では、温度や風速などの大気変数のしきい値超過を予測するための2つの方法の比較を行った。
一 二分分類問題として超越を扱い、直接確率的方法
(II) 対象変数の完全条件確率則をモデル化した完全分布確率法。
フランス南東部のMeteoNetデータセット(2016-2018)から得られた実世界のデータとともに、玩具モデルに関する理論的解析と数値シミュレーションを用いて、完全な分布アプローチは、稀で極端な事象に対する直接的な方法よりも一貫して優れていることを示した。
この利点は、完全な分布アプローチが中程度の強度の事象から条件分布のパラメータを効果的に学習し、それによって尾部のキャリブレーションと識別がより良くなるからである。
選択した分布の比パラメトリックな形状は、そのバルク特性(平均と分散)の予測可能なシフトを正確に捉えるのと比較して二次的な役割を果たす。
この経験的不明瞭性はまた、物理的力学が大気の極端を駆動することについても有意であり、極端な超越は、静的気候学において予測不可能で太った尾の異常によってではなく、主に分布全体の重要な条件変位によって引き起こされることを示唆している。
その結果,強風速と強風降雨の両面において,適切なスコアリングルール (Brier score, logarithmic score) と決定論的スキルスコア (Peirce Skill Score, CSI, HSS) を用いて評価した。
これらの知見は、希少な気象予測のための全確率分布をモデル化することの重要性を強調し、運用気象学における極端気象予測を改善するための実践的なガイダンスを提供する。
関連論文リスト
- Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。
既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。
モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
論文 参考訳（メタデータ） (2026-03-17T15:34:05Z) - FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。
FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。
これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
論文 参考訳（メタデータ） (2026-03-16T14:36:47Z) - Trustworthy predictive distributions for rare events via diagnostic transport maps [3.2309187092212936]
予測系が完全な予測分布を提供するとしても、結果はすべての x と y に対して校正されることはめったにない。
本稿では,与えられた予測分布を,有用だが潜在的に不特定なベースモデルとして扱う。
そこで我々は,キャリブレーションデータの真の条件分布に合うように,ベースモデルの確率をどのように調整すべきかを定量化する,診断トランスポートマップ,共依存確率-確率マップを導入する。
論文 参考訳（メタデータ） (2026-03-11T18:55:34Z) - 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) - Investigating the Robustness of Extreme Precipitation Super-Resolution Across Climates [0.0482931985924527]
格子状気候モデルの粗い空間分解能は 極端な降水量のような社会的に関係のある変数を 投影する際の使用を制限します
対象変数の確率分布のパラメータを解析的に抽出可能な写像を用いて超解法を提案する。
本フレームワークは, パラメータ分布が支配する変数に対して広く適用可能であり, 経験的ダウンスケーリングが気候変動や極端に一般化する時期と理由を理解するためのモデルに依存しない診断を提供する。
論文 参考訳（メタデータ） (2025-07-12T07:04:07Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - 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) - Statistical post-processing of visibility ensemble forecasts [0.0]
局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。
気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
論文 参考訳（メタデータ） (2023-05-24T16:41:36Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z)
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。