論文の概要: A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors

• arxiv url: http://arxiv.org/abs/2606.19026v1
• Date: Wed, 17 Jun 2026 12:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.167371
• Title: A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors
• Title（参考訳）: HRRR予測誤差予測のためのハイブリッドLSTM-Vision Transformerアーキテクチャ
• Authors: David Aaron Evans, Jay C. Rothenberger, Kara J. Sulia, Nick P. Bassill, Chris D. Thorncroft,
• Abstract要約: 我々は、表面観測から時間的シーケンス学習とニューヨーク州立大学メソネット・プロファイラネットワークからの大気プロファイルを組み合わせたLSTM-Vision Transformer (LSTM-ViT) フレームワークを開発した。 本研究は,モデルバイアスと予測信頼度に関する予測指標を改良した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecast errors in high-resolution numerical weather prediction (NWP) systems are often linked to unresolved planetary boundary layer (PBL) processes, convection, terrain-induced circulations, and other vertically structured atmospheric phenomena. Previous work demonstrated that Long Short-Term Memory (LSTM) networks can successfully predict forecast errors in the High-Resolution Rapid Refresh (HRRR) model using mesonet observations, but we believe performance degradation is linked to periods of complex vertical atmospheric evolution. To address this limitation, we develop a hybrid LSTM-Vision Transformer (LSTM-ViT) framework that combines temporal sequence learning from surface observations with atmospheric profiles from the New York State Mesonet profiler network. The LSTM-ViT framework is trained to predict HRRR hourly precipitation, 10 m wind speed, and 2 m temperature forecast errors at individual mesonet stations. Across all three predictors, incorporation of profiler-derived atmospheric structure improves forecast error prediction skill relative to the baseline LSTM architecture, with the largest gains occurring at shorter forecast lead times and during periods of enhanced PBL activity. Improvements are particularly pronounced for precipitation forecast error, where the LSTM-ViT framework achieves approximately a twofold increase in predictive skill relative to the baseline LSTM while better capturing convectively driven error evolution and reducing degradation associated with PBL processes. These results demonstrate that combining temporal sequence learning with vertically informed attention mechanisms provides a physically meaningful pathway for improving forecast error prediction in operational NWP systems. Our research offers forecasters enhanced guidance regarding model bias and forecast confidence.
• Abstract（参考訳）: 高分解能数値気象予測(NWP)システムにおける予測誤差は、しばしば未解決の惑星境界層(PBL)プロセス、対流、地形誘起循環、その他の垂直構造大気現象と関連している。 従来の研究は,メソネット観測による高分解能高速リフレッシュ(HRRR)モデルにおける予測誤差の予測にLSTM(Long Short-Term Memory)ネットワークが有効であることを示した。 この制限に対処するため,ニューヨーク州立大学メソネット・プロファイラネットワークの大気プロファイルと表面観測からの時間的シーケンス学習を組み合わせたLSTM-Vision Transformer (LSTM-ViT) フレームワークを開発した。 LSTM-ViTフレームワークは、HRRR時の降水量、風速10m、温度予測誤差2mを予測するために訓練されている。 3つの予測器全体で、プロファイラ由来の大気構造が組み込まれ、ベースラインLSTMアーキテクチャと比較して予測予測スキルが向上する。 LSTM-ViTフレームワークはベースラインLSTMと比較して約2倍の予測スキル向上を達成し、対流的に駆動されるエラーの進化を捉えるとともに、PBLプロセスに関連する劣化を低減する。 これらの結果は,時間系列学習と鉛直的注意機構を組み合わせることで,NWPシステムにおける予測誤差予測を改善するための物理的に意味のある経路を提供することを示した。 本研究は,モデルバイアスと予測信頼度に関する予測指標を改良した。

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)
• Bridging Artificial Intelligence and Data Assimilation: The Data-driven Ensemble Forecasting System ClimaX-LETKF [0.0]
  我々は,データ駆動型MLによる最初のアンサンブル天気予報システムであるClimaX-LETKFを紹介する。 NCEP ADPグローバルアッパーエアと表面気象観測を同調することにより、数値気象予測(NWP)モデルとは独立して、数年にわたって安定して運用されている。
  論文  参考訳（メタデータ） (2025-12-16T14:30:46Z)
• Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
  本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。 提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。 このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-28T10:52:15Z)
• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• FastNet: Improving the physical consistency of machine-learning weather prediction models through loss function design [23.81615870716115]
  本研究では,グラフニューラルネットワーク(GNN)を用いたグローバル予測モデルであるFastNetを提案する。 本研究では, 代替損失関数の設計が予測の物理的リアリズム改善に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-09-22T11:21:29Z)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• 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)

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。