論文の概要: Machine learning is revolutionizing weather forecasting -- the next step is a change in how we work

• arxiv url: http://arxiv.org/abs/2606.25076v1
• Date: Tue, 23 Jun 2026 18:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.198283
• Title: Machine learning is revolutionizing weather forecasting -- the next step is a change in how we work
• Title（参考訳）: 機械学習は天気予報に革命をもたらす -- 次のステップは、我々の働き方を変える
• Authors: Peter Dueben, Peter Bauer, Oliver Fuhrer, Nikolay Koldunov, Jørn Kristiansen,
• Abstract要約: 機械学習と最近のデジタル技術は、予測バリューチェーンを再構築するだろう、と私たちは主張する。 エージェント・ソフトウェア・エンジニアリング、オープン・圧縮データ、共有検証、インタラクティブ・コンピューティングおよび生成手法がモデリング、評価、サービス作成を高速化し、よりインタラクティブで、より広くアクセスできるようにする6つの非実行領域について論じる。 これらの変更は、彼らのインフラ、データスチュワードシップ、信頼と品質保証フレームワーク、スキルとサービス提供に適応し、科学的理解、運用上の信頼性、人間の専門知識、公共サービスの役割を維持するために、気象と気候のセンターを必要とします。
• 参考スコア（独自算出の注目度）: 1.1002612520201462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following the success of machine learning in producing weather predictions with competitive skill compared to complex traditional systems, this article shifts attention from forecast output to the working practices that make prediction systems possible. We argue that machine learning and recent digital technologies will reshape the forecasting value chain: how models are coded and developed, how observations and Earth-system data are exploited, how data and computing are managed, how systems are verified, and how information is created, evaluated and turned into services. We discuss six non-exhaustive areas in which agentic software engineering, open and compressed data, shared verification workflows, interactive computing and generative methods may make modelling, evaluation and service creation faster, more interactive and more widely accessible. These changes will require weather and climate centres to adapt their infrastructures, data stewardship, trust and quality-assurance frameworks, skills and service delivery while maintaining scientific understanding, operational reliability, human expertise and their public-service role.
• Abstract（参考訳）: 複雑な従来のシステムと比較して、天気予報を競争力で生成する機械学習の成功に続き、予測結果から予測システムを実現する作業プラクティスに注目を移す。 私たちは、機械学習と最近のデジタル技術が予測値連鎖を再構築する、と論じている。モデルがどのようにコーディングされ、開発されるか、観測と地球システムデータがどのように悪用されるか、データとコンピューティングの管理方法、システムの検証方法、情報が生成、評価、サービス化されるか。 エージェント・ソフトウェア・エンジニアリング、オープン・圧縮データ、共有検証ワークフロー、インタラクティブ・コンピューティングおよび生成手法がモデリング、評価、サービス作成を高速化し、よりインタラクティブで、より広くアクセスできるようにする6つの非実行領域について論じる。 これらの変更は、彼らのインフラ、データスチュワードシップ、信頼と品質保証フレームワーク、スキルとサービス提供に適応し、科学的理解、運用上の信頼性、人間の専門知識、公共サービスの役割を維持するために、気象と気候のセンターを必要とします。

関連論文リスト

• Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
  DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。 DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。 エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
  論文  参考訳（メタデータ） (2025-09-23T06:46:41Z)
• Comparative Evaluation of Weather Forecasting using Machine Learning Models [2.0971479389679337]
  本研究では,ダッカ市の1つの気象観測所から得られた20年間のデータセットを用いて,降水パターンと降水パターンの予測における機械学習アルゴリズムの寄与を分析することに焦点を当てた。 グラディエントブースティング、AdaBoosting、Artificial Neural Network、Stacking Random Forest、Stacking Neural Network、Stacking KNNなどのアルゴリズムを評価して比較する。
  論文  参考訳（メタデータ） (2024-02-02T08:25:28Z)
• A Vision for Semantically Enriched Data Science [19.604667287258724]
  ドメイン知識の活用やデータセマンティクスといった重要な分野は、ほとんど自動化されていない分野です。 データサイエンスの自動化のための新しいツールと組み合わせて、データに対する“セマンティック”な理解と推論を活用することが、一貫性と説明可能なデータ拡張と変換にどのように役立つか、私たちは考えています。
  論文  参考訳（メタデータ） (2023-03-02T16:03:12Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories [0.0]
  サイバー物理コンバージェンス(サイバー物理コンバージェンス)は、産業界に新たなビジネスチャンスを開こうとしている。 サイバーと物理世界の深い統合の必要性は、新しいシステムとネットワークエンジニアリングのアプローチを統合するための豊富なビジネスアジェンダを確立する。 このデータ豊かでサイバー物理学的でスマートな工場環境から生まれた、最も実りある研究と実践の分野の1つは、データ駆動のプロセス監視分野である。
  論文  参考訳（メタデータ） (2022-12-12T23:45:59Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
  分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。 本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。 本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
  論文  参考訳（メタデータ） (2021-04-29T14:15:11Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• A Cognitive Approach based on the Actionable Knowledge Graph for supporting Maintenance Operations [3.3198770589233284]
  本研究では,過去の介入から学び,保守実践を改善するためのコンテキストレコメンデーションを生成する認知システムを提案する。 このシステムは、これらの目的を達成するために、形式的な概念モデル、漸進学習、ランキングアルゴリズムを使用する。
  論文  参考訳（メタデータ） (2020-11-18T21:53:00Z)

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。