論文の概要: NIVA: A Multimodal Foundation Model for Actionable Earth System Intelligence
- arxiv url: http://arxiv.org/abs/2606.28546v1
- Date: Fri, 26 Jun 2026 19:01:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.598079
- Title: NIVA: A Multimodal Foundation Model for Actionable Earth System Intelligence
- Title（参考訳）: NIVA: 行動可能な地球システムインテリジェンスのためのマルチモーダル基礎モデル
- Abstract要約: 我々は,地球システムコンポーネント間の統一表現を学習するための基礎モデルであるNIVAを紹介する。
大規模な地球系のシミュレーションに基づいて、NIVAは物理的に意味のあるクロスモーダル構造を学ぶ。
最初の検証として、NIVAは主要な気候指標の正確な予測を通じて、気候変動の重要なモードを捉えていることを示す。
- 参考スコア（独自算出の注目度）: 1.2641198540127232
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in AI-driven weather and climate modeling have improved forecast skill while reducing computational cost. However, existing data-driven approaches are limited in their ability to model coupled Earth system dynamics, which is required for extending predictability beyond the ~2-week horizon. To address this, we introduce NIVA, a multimodal foundation model designed to learn unified representations across Earth system components. While the full framework targets atmosphere, ocean, ice, and land interactions, we focus here on a two-modality setting (ocean and atmosphere) as a controlled proof of concept to evaluate whether foundation models can learn coupled dynamics. Trained on large-scale Earth system simulations, NIVA learns physically meaningful cross-modal structure, providing a foundation for subseasonal-to-seasonal prediction. As initial validation, we show that NIVA captures key modes of climate variability through accurate prediction of major climate indices.
- Abstract（参考訳）: AI駆動型気象と気候モデリングの最近の進歩は、計算コストを削減しつつ予測スキルを改善した。
しかし、既存のデータ駆動アプローチは結合した地球系の力学をモデル化する能力に限られており、これは約2週間の地平線を超えて予測可能性を拡張するのに必要である。
そこで本研究では,地球システムコンポーネント間の統一表現の学習を目的とした,マルチモーダル基礎モデルであるNIVAを紹介する。
完全な枠組みは大気、海洋、氷、陸地相互作用を対象とするが、ここでは、基礎モデルが結合力学を学習できるかどうかを評価するための制御された概念実証として、2つのモード設定(海洋と大気)に焦点を当てる。
大規模な地球系のシミュレーションに基づいて、NIVAは物理的に意味のあるクロスモーダル構造を学習し、海底から季節への予測の基礎となる。
最初の検証として、NIVAは主要な気候指標の正確な予測を通じて、気候変動の重要なモードを捉えていることを示す。
関連論文リスト
- Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - 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) - 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) - A machine learning model for skillful climate system prediction [12.912679599908984]
本稿では、29変数に対して、毎日60日間のグローバルな予測を提供するAIベースの気候システムモデルであるFengShun-CSMを紹介する。
このモデルは、ほとんどの変数を予測するために、ECMWF (European Centre for Medium-Range Weather Forecasts) subseasonal-to-seasonal (S2S) モデルよりも大幅に優れている。
特筆すべきは、FengShun-CSMは、海底の極端な事象を予測する大きな可能性を示すことである。
論文 参考訳（メタデータ） (2025-05-06T03:06:14Z) - A Foundation Model for the Earth System [82.73624748093333]
我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。
オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
論文 参考訳（メタデータ） (2024-05-20T14:45:18Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳（メタデータ） (2023-03-17T13:53:59Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z) - Toward Foundation Models for Earth Monitoring: Proposal for a Climate
Change Benchmark [95.19070157520633]
近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。
基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。
気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
論文 参考訳（メタデータ） (2021-12-01T15:38:19Z) - Reservoir Computing as a Tool for Climate Predictability Studies [0.0]
我々は、Reservoir Computingが線形逆モデリングアプローチの予測スキルを改善する代替非線形アプローチを提供することを示す。
RC手法の幅広い条件に対する予測能力の向上は、この機械学習技術が気候予測可能性研究に有効である可能性を示唆している。
論文 参考訳（メタデータ） (2021-02-24T22:22:59Z)
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。