論文の概要: Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction

• arxiv url: http://arxiv.org/abs/2606.08563v1
• Date: Sun, 07 Jun 2026 10:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.264098
• Title: Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction
• Title（参考訳）: 物理誘導デュアルデコードと分光法によるグローバル3次元ハイドロメータ予測
• Abstract要約: これらの変数の無膨らみ、長い尾の分布のため、3次元のハイドロメータ予測は困難である。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。
• 参考スコア（独自算出の注目度）: 2.1603484118769476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While global data-driven models excel at predicting continuous atmospheric variables, three-dimensional hydrometeor forecasting remains challenging due to the zero-inflated, long-tailed distributions of these variables. Standard deep learning optimization often yields overly smooth forecasts, attenuating extreme events and spatial textures. We propose PredHydro-Net, a physics-guided dual-decoding framework that mitigates this smoothing. To resolve multi-variable optimization conflicts, it employs a decoupled architecture where macroscopic thermodynamic and dynamic fields unidirectionally modulate hydrometeor generation. By integrating wavelet-based frequency decoupling, spectral amplitude matching, and adversarial training, the model achieves a favorable trade-off between quantitative accuracy and spatial fidelity. In a 72-h global evaluation, PredHydro-Net outperforms both spatiotemporal deep learning baselines (Earthformer and PredRNNv2) and the operational Global Forecast System (GFS) in extreme-event detection and spectral representation. Furthermore, it demonstrates strong climatological consistency with Global Precipitation Measurement (GPM) satellite retrievals. The model reasonably reproduces the three-dimensional cloud structures in extreme weather events, such as Hurricane Ian. Feature attribution confirms its dependence on physical precursors such as relative humidity and wind convergence, offering a robust, physics-informed approach to long-tailed atmospheric prediction.
• Abstract（参考訳）: グローバルなデータ駆動モデルは連続した大気変数を予測するのに優れていますが、これらの変数の無膨らんだ長い尾の分布のため、3次元のハイドロメータ予測は難しいままです。 標準的なディープラーニングの最適化は、しばしば過度に滑らかな予測をもたらし、極端な出来事や空間的なテクスチャを減衰させる。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 多変量最適化の競合を解決するために、マクロ熱力学および動的場が一方向のハイドロメータ生成を変調する疎結合アーキテクチャを用いる。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。 72時間の世界評価では、PredHydro-Netは時空間深層学習ベースライン(EarthformerとPredRNNv2)と、極端変動検出およびスペクトル表現における運用グローバル予測システム(GFS)の両方に優れる。 さらに、GPM(Global Precipitation Measurement)衛星の観測と強い気候的整合性を示す。 このモデルはハリケーン・イアンのような極度の気象事象で3次元の雲構造を合理的に再現する。 特徴の帰属は、相対湿度や風の収束のような物理的前駆体への依存を確認し、長い尾の大気予測に対する堅牢で物理学的なインフォームドアプローチを提供する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• 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)
• VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model [59.789011777899965]
  VGGT-World(VGGT-World)は、ビデオ生成を完全にサイドステップで行い、凍った幾何学的境界モデルの特徴の時間的進化を予測する幾何学世界モデルである。 VGGT-Worldは3.6～5倍高速で、トレーニング可能なパラメータはわずか0.43Bである。
  論文  参考訳（メタデータ） (2026-03-13T04:56:43Z)
• A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill [12.768001894587576]
  我々は、MJO(PCC-MJO)のための新しいディープラーニングフレームワーク、物理誘導カスケードコレクターを導入する。 PCC-MJOは、動的モデルからMJO予測を補正するための普遍的なポストプロセッサとして機能する。 我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。
  論文  参考訳（メタデータ） (2025-10-20T14:41:48Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting [15.342825336354876]
  我々は,グローバル気象予測のための適応ロールアウト型マルチスケールルーティング手法であるARROWを提案する。 モデル内では、Shared-Private Mixture-of-Expertsは、時間スケールにわたる大気力学の共有パターンと特定の特性の両方をキャプチャする。 第2に、現在の気象状況に応じて最適な時間間隔を選択する強化学習に基づく適応的なロールアウトスケジューラを開発する。
  論文  参考訳（メタデータ） (2025-10-10T14:00:59Z)
• Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting [9.604302577187788]
  S2S予測は農業計画、エネルギー管理、災害対策にとって重要なフロンティアである。 現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。 textbfTelePiTは,マルチスケール物理とテレコネクション認識を統合してグローバルなS2S予測を強化する,新しいディープラーニングアーキテクチャである。
  論文  参考訳（メタデータ） (2025-06-08T16:32:21Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• 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)

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。