論文の概要: Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting

• arxiv url: http://arxiv.org/abs/2606.26421v1
• Date: Wed, 24 Jun 2026 22:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.092222
• Title: Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting
• Title（参考訳）: 天気予報:高度で計算効率のよい中距離気象予報
• Abstract要約: Otter Weatherは、AIで高性能気象予測を民主化するために設計された、非常に効率的な予測モデルである。 このバージョンは24時間リードタイムでNWPベースラインを9.6%上回った。 Otter-XLはIFS ENSベースラインよりも9.7%改善されている。
• 参考スコア（独自算出の注目度）: 30.958839430506156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art medium-range AI weather models can outperform traditional Numerical Weather Prediction (NWP) but require massive training budgets. This restricts usage for under-resourced groups and severely limits fast model iteration. Here we develop Otter Weather, a highly efficient spatiotemporal forecasting model designed to democratise high-performance weather prediction with AI. Evaluated on ERA5 reanalysis data at 1.5° resolution using standard WeatherBench protocols, the Otter family significantly advances the skill-compute Pareto frontier. The deterministic version outperforms the best NWP baseline by 9.6% at a 24-hour lead time while requiring fewer than 3.5 A100-days for training. It provides a 2x efficiency gain over lightweight AI models and a 100-fold reduction in compute compared to resource-intensive frontier architectures. We extend these efficiency gains into probabilistic forecasting by training via the Continuous Ranked Probability Score (CRPS). Scaling to a larger architecture, Otter-XL achieves a 9.7% CRPS improvement over the IFS ENS baseline. This yields an almost two-fold increase in predictive skill over comparable lightweight models at similar compute budgets. Otter-XL also outperforms frontier architectures like GenCast by over 2%, while using an order of magnitude less compute. Finally, Otter is applied out-of-the-box to a complex acoustic scattering PDE task where it outperforms a state-of-the-art foundation modelling approach, suggesting that the advances made here might apply across a range of scientific domains.
• Abstract（参考訳）: 最先端の中距離AI気象モデルは従来の数値気象予測(NWP)より優れているが、大規模な訓練予算を必要とする。 これにより、アンダーリソースグループの使用が制限され、高速モデルイテレーションが大幅に制限される。 ここでは,AIを用いた高性能気象予測の民主化を目的とした,高効率な時空間予測モデルであるOtter Weatherを開発する。 標準的なWeatherBenchプロトコルを用いて、ERA5の再解析データを1.5°解像度で評価すると、Otterファミリーはスキル計算のParetoフロンティアを大幅に進歩させる。 決定論的なバージョンは、24時間リードタイムで最高のNWPベースラインを9.6%上回り、トレーニングに3.5A100日を要した。 軽量AIモデルよりも2倍効率が向上し、リソース集約型フロンティアアーキテクチャと比較して計算量が100倍削減される。 我々は,これらの効率向上を,CRPS(Continuous Ranked Probability Score)によるトレーニングによる確率予測に拡張する。 より大きなアーキテクチャにスケールすると、Otter-XLはIFS ENSベースラインよりも9.7%のCRPS改善を実現している。 これにより、同様の計算予算で、同等の軽量モデルよりも予測スキルがほぼ2倍に向上する。 Otter-XL は GenCast などのフロンティアアーキテクチャを 2% 以上上回っている。 最後に、オッターは複雑な音響散乱PDEタスクに適用され、そのタスクは最先端の基礎モデリング手法よりも優れており、ここでの進歩は様々な科学分野にまたがる可能性があることを示唆している。

関連論文リスト

• Scaling Laws of Global Weather Models [57.27583619011988]
  本稿では,モデル性能(検証損失)とモデルサイズ,データセットサイズ,計算予算の3つの主要な要因について検討する。 様々なモデルにおいて、Auroraは最も強力なデータスケーリングの挙動を示す。 我々の計算-最適分析は、固定された計算予算の下で、長いトレーニング期間にリソースを割り当てると、モデルサイズの増加よりもパフォーマンスが向上することを示している。
  論文  参考訳（メタデータ） (2026-02-26T12:57:38Z)
• MoWE : A Mixture of Weather Experts [2.2335780120432824]
  本稿では,データ駆動気象予測の限界を克服するために,Mixture of Experts (MoWE) アプローチを提案する。 MoWEモデルは、個々の専門家よりもはるかに低い計算資源で訓練されている。 本手法の有効性を実証し,最高性能のAI気象モデルよりも最大10%低いルート平均正方形誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2025-09-10T23:15:59Z)
• OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
  OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。 RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:46:50Z)
• ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting [11.561776315905357]
  本稿では,確率論的気象モデルの設計において決定論的気象モデルを活用する手法を提案する。 我々の研究は、気象予報研究における決定論的および生成的機械学習モデルの利用を民主化することを目的とする。
  論文  参考訳（メタデータ） (2024-12-17T14:54:30Z)
• Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
  4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。 かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
  論文  参考訳（メタデータ） (2024-09-08T22:58:46Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [16.562512279873577]
  我々は,最大15日間のグローバルアンサンブル天気予報を実現するために設計された,高度なMLモデルであるFuXi-ENSを紹介する。 FuXi-ENS は空間分解能が 0.25 度大きく向上し、13の圧力レベルで5つの大気変数と13の表面変数が組み込まれている。 その結果,FXi-ENSは360変数の98.1%のCRPSと予測リードタイムの組み合わせで,世界有数のNWPモデルであるECMWFのアンサンブル予測よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-09T17:15:09Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。