論文の概要: Exploring Convolutional Neural Processes for Weather Downscaling
- arxiv url: http://arxiv.org/abs/2607.04190v1
- Date: Sun, 05 Jul 2026 09:24:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.864417
- Title: Exploring Convolutional Neural Processes for Weather Downscaling
- Title（参考訳）: 気象ダウンスケーリングのための畳み込みニューラルプロセスの探索
- Abstract要約: ERA5-Landのような地球規模の再分析製品は、空間的に完全な気象場を提供するが、局所的な応用には大きすぎる。
本研究は,1日あたりの最大温度を1kmのERA5格子から1kmのスイス上空まで統計的にダウンスケーリングするための畳み込み条件 (ConvCNPs) について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global reanalysis products such as ERA5-Land provide spatially complete weather fields but at resolutions too coarse for local applications, particularly in mountainous regions where temperature can vary by several degrees over short distances. This project investigates Convolutional Conditional Neural Processes (ConvCNPs) for statistical downscaling of daily maximum temperature from the ~11km resolution ERA5-Land grid to ~1km resolution over Switzerland, building upon the architecture of Vaughan et al. (2022) and adapting it to the topographically complex Swiss domain with high-resolution elevation features from the swisstopo DHM25. The best model, trained on ten years of data (2014-2023) with five-fold temporal cross-validation, achieves a mean absolute error of 1.31 Celsius and a CRPS-based skill score of 0.524 relative to bilinear interpolation, reducing the expected prediction error by more than half. An ablation study reveals that the elevation MLP is the indispensable component - without it, the model diverges entirely - while explicit seasonal features and Topographic Position Index provide secondary benefits. Under sparse on-grid input the model degrades gracefully, maintaining positive skill down to approximately 10% of the input grid; however, zero-shot deployment on off-grid station observations does not achieve positive skill at any density tested. All configurations exhibit severely overconfident uncertainty estimates, a structural limitation of the Gaussian likelihood training objective. These results demonstrate that ConvCNPs are a viable and effective approach to climate downscaling in complex terrain, and identify uncertainty calibration and native support for non-gridded input as the key challenges for operational deployment.
- Abstract（参考訳）: ERA5-Landのような地球規模の再分析製品は、空間的に完全な気象場を提供するが、局所的な用途では分解能が粗い。
コンボリューショナル・コンディショナル・ニューラル・プロセス (ConvCNPs) は、スイス上空11kmのERA5-Landグリッドから1kmの分解能まで、スイスのVaughan et al (2022) のアーキテクチャを基盤として、スイスのDHM25から高分解能の高分解能な高分解能な高分解能の高分解能な高分解能な高分解能な高分解能の高分解能な高分解能な高分解能な高分解能な高分解能領域に適応させる。
最良のモデルは、5倍の時間的交叉係数を持つ10年間のデータ(2014-2023)に基づいてトレーニングされ、平均絶対誤差は1.31セルシウス、CRPSベースのスキルスコアは0.524であり、予測誤差は半分以上減少する。
アブレーションによる研究によると、高度MLPは必要不可欠な要素であり、それなしではモデルは完全に分岐し、明確な季節的特徴と地形的位置指数は二次的な利点をもたらす。
平滑なオングリッド入力の下では、モデルが優雅に劣化し、入力グリッドの約10%まで正のスキルを維持できるが、オフグリッド観測におけるゼロショット展開は、テストされた密度で正のスキルを達成できない。
全ての構成は極めて過度な不確実性推定を示し、ガウス的可能性訓練の目標の構造的制限が示される。
これらの結果から,ConvCNPは複雑な地形における気候下降に有効かつ効果的なアプローチであり,不確実なキャリブレーションと非グリッド入力のネイティブサポートを運用展開の鍵となる課題として挙げた。
関連論文リスト
- TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。
本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。
TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
論文 参考訳（メタデータ） (2026-07-14T07:36:19Z) - Performance Evaluation of GraphCast for Medium-Range Weather Forecasting over Brazil [0.7734726150561088]
本研究は, 決定論的ECMWF IFS HRESに対するGraphCastオペレーティングの性能を評価する。
豪華な夏の湿潤期には、GraphCastは高周波対流変動を本質的に抑えながら、大規模な水分輸送を正確に捉えている。
これらの発見はブラジルの基準を確立し、将来の熱帯化の取り組みを導く具体的な物理的な境界を定義する。
論文 参考訳（メタデータ） (2026-06-04T16:19:29Z) - SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。
生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
論文 参考訳（メタデータ） (2026-05-15T16:42:45Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - IPSL-AID: Generative Diffusion Models for Climate Downscaling from Global to Regional Scales [0.0]
IPSL-AIDは,拡散確率モデルに基づくグローバルから地域的なダウンスケーリングツールである。
粗い入力と時間的文脈を用いて、気温、風、降水に対する0.25度の分解能場を生成する。
極端事象、パワースペクトル、空間構造などの統計分布を正確に再構成する。
論文 参考訳（メタデータ） (2026-03-23T14:27:54Z) - Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。
GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
論文 参考訳（メタデータ） (2025-10-08T03:27:12Z) - 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) - 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) - Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。
本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。
代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
論文 参考訳（メタデータ） (2020-07-20T06:24:08Z)
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。