論文の概要: From Global to Local: Efficient Regional Weather Downscaling with Global Weather Foundation Model

• arxiv url: http://arxiv.org/abs/2607.03279v1
• Date: Fri, 03 Jul 2026 12:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.569614
• Title: From Global to Local: Efficient Regional Weather Downscaling with Global Weather Foundation Model
• Title（参考訳）: グローバルからローカルへ:グローバル・ウェザーファウンデーション・モデルによる効率的な地域気象ダウンスケーリング
• Abstract要約: グローバルな予測の地域的改善を学習する基盤モデル駆動のダウンスケーリングフレームワークを提案する。 我々は,地域の数値シミュレーションを訓練対象とし,グリッド化されたデータセットだけでなく,地上の気象観測にも適用した。 実験の結果,計算コストのごく一部でNWPと比較して精度が向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate regional weather prediction requires resolving fine-scale structure while remaining consistent with global dynamics. Traditional limited area models rely on computationally expensive simulations, while many learning-based approaches frame the problem as super-resolution, overlooking statistical and physical mismatches across scales. We propose a foundation-model-driven downscaling framework that learns regional refinements of global forecasts by augmenting a pretrained weather model backbone with lightweight, multi-scale prediction heads operating directly in its latent space. Despite being trained on substantially coarser inputs, the pretrained backbone supports regional adaptation at resolutions corresponding to a two-order-of-magnitude increase in grid-cell resolution, without the need for retraining. The proposed approach uses regional numerical simulations as training targets and is evaluated not only against gridded datasets but also against ground-based weather station observations, enabling analysis of systematic biases between global reanalysis, regional simulations, and in-situ weather station observations. Our experiments show improved accuracy in comparison to NWP on most of the metrics at the fraction of computational cost. Moreover, we observe that building on a latent space of globally pre-trained weather foundation model offers better downscaling capabilities than the standard image-based super-resolution approaches.
• Abstract（参考訳）: 正確な地域の天気予報には、グローバルなダイナミクスと整合性を維持しながら、微細な構造を解消する必要がある。 従来の限定的な領域モデルは計算コストのかかるシミュレーションに頼っているが、多くの学習ベースのアプローチは、問題を超高解像度で、統計的および物理的ミスマッチを見落としている。 本研究では,事前学習した気象モデルバックボーンを軽量でマルチスケールな予測ヘッドで拡張することにより,グローバルな予測の地域的洗練を学習する基盤モデル駆動のダウンスケーリングフレームワークを提案する。 実質的に粗い入力で訓練されているにもかかわらず、事前訓練されたバックボーンは、再訓練することなく、グリッドセル解像度の2次の増加に対応する解像度での地域適応をサポートする。 提案手法は, 地域数値シミュレーションを訓練対象とし, グリッド化されたデータセットだけでなく, 地上の気象観測にも適用し, 地球再解析, 地域シミュレーション, 気象観測の系統的偏りの解析を可能にする。 実験の結果,計算コストのごく一部において,NWPと比較して精度が向上した。 さらに,世界規模で事前訓練された気象基礎モデルの潜在空間上に構築することで,標準的な画像ベース超解像法よりも優れたダウンスケーリング能力が得られることが観察された。

関連論文リスト

• StretchCast: Global-Regional AI Weather Forecasting on Stretched Cubed-Sphere Mesh [0.0]
  可変解像度拡張立方体球(SCS)メッシュ上に構築されたグローバルリージョンのAI予測フレームワークであるStretchCastを紹介する。 本研究では,一段階予測器であるSCS_Base Modelとロールアウト指向多段階予測器であるSCS_FCST4 Modelを開発し,SCSベースの予測の実現可能性を検証する。 83Mパラメータとトレーニングコストを時間順に設定することで、SCS_FCST4 Modelはターゲット領域に競合する中距離異常相関進化を提供する。
  論文  参考訳（メタデータ） (2026-03-28T14:40:29Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting [35.64570745321468]
  適応的地域境界最適化と動的月次予測アロケーションのための新しいAI駆動フレームワークを提案する。 具体的には,グローバル空間分布と地域空間分布を整合させるSAA(Spatial-Aligned Attention)機構を用いる。 また、異なる月ごとの大気変数を専門の専門家に動的にルーティングするTMOEモジュールを設計する。
  論文  参考訳（メタデータ） (2025-09-21T05:27:52Z)
• A comparison of stretched-grid and limited-area modelling for data-driven regional weather forecasting [0.493599216374976]
  限界領域モデル (LAM) とストレッチグリッドモデル (SGM) は高分解能な地域予測を生成するために出現している。 本研究の目的は,モデル設計の違いが相対的な性能と潜在的な応用に与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-07-24T12:54:08Z)
• RainShift: A Benchmark for Precipitation Downscaling Across Geographies [21.183274939386088]
  地理的分布シフト下でのダウンスケーリングを評価するためのデータセットとベンチマークであるRainShiftを紹介した。 我々は、グローバル・ノースとグローバル・サウスの間のデータギャップをまたいだ一般化において、GANや拡散モデルを含む最先端のダウンスケーリング手法を評価した。 我々の研究は、ダウンスケーリング手法のグローバルな適用性を高め、高解像度の気候情報へのアクセスにおける不平等を減らすための一歩である。
  論文  参考訳（メタデータ） (2025-07-07T12:25:14Z)
• 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)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。