論文の概要: Enhancing the Forecasting Capability of Multi-Model Blending Algorithms for Extreme Precipitation via Joint Use of Station and Gridded Observations

• arxiv url: http://arxiv.org/abs/2607.04862v1
• Date: Mon, 06 Jul 2026 09:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.104834
• Title: Enhancing the Forecasting Capability of Multi-Model Blending Algorithms for Extreme Precipitation via Joint Use of Station and Gridded Observations
• Title（参考訳）: 駅観測と格子観測の併用による極端沈降のための多モデルブレンディングアルゴリズムの予測可能性向上
• Abstract要約: 従来の降水多モデルブレンディングアルゴリズムは、重みに基づいて予測フィールド上でピクセル・バイ・ピクセルブレンディングを行う。 本研究では,6つの主要なNWPモデルからの予測をブレンドするために,確率分類と値再構成という2段階の枠組みを提案する。 中国2411の気象観測所からの観測を損失関数に組み込むことにより, 新たな局間共同監視機構を導入する。
• 参考スコア（独自算出の注目度）: 10.058122938830389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate extreme precipitation forecasting is critical for disaster mitigation but remains challenging for numerical weather prediction (NWP) models due to systemic intensity underestimation and spatial displacement. Traditional precipitation multi-model blending algorithms perform pixel-by-pixel blending on the forecast field based on weights, which may lead to the expansion of precipitation areas and the smoothing of extreme values. This study proposes an U-Net based two-stage framework: probability classification followed by value reconstruction, to blend forecasts from six major NWP models. A novel station-grid joint supervision mechanism is introduced by integrating observations from 2411 national meteorological stations in China into the loss function, simultaneously constraining spatial structures and peak intensities. Evaluations using independent samples from the 2025 flood season demonstrate that our model significantly outperforms both individual NWPs and current operational products. For rainstorms (>=50 mm), the Threat Score (TS) improved by 38.4% compared to the best NWP. Notably, for extreme events (>=100 mm) driven by extratropical cyclones and the subtropical high, the model successfully elevated the TS to above 0.1, transforming forecasts from having negligible reference value into those with certain operational utility. Furthermore, the model exhibits data-driven spatial correction capabilities, effectively realigning systematic rainbelt displacements with actual precipitation centers. The inclusion of station observations specifically enhanced the TS for rainstorms by 10.4% and effectively balanced the Bias. These results highlight the efficacy of multi-source joint supervision in enhancing the capture of extreme precipitation events.
• Abstract（参考訳）: 正確な極端降水予測は、災害の緩和には不可欠であるが、体系的な強度過小評価と空間変位による数値気象予測(NWP)モデルでは依然として困難である。 従来の降水多モデルブレンディングアルゴリズムは, 降水面積の拡大と極端な値の平滑化につながる可能性のある重みに基づいて, 予測フィールド上でピクセル・バイ・ピクセルのブレンディングを行う。 本研究では,6つの主要なNWPモデルからの予測をブレンドするU-Netに基づく2段階のフレームワークを提案する。 中国2411の気象観測所からの観測を損失関数に統合し、空間構造とピーク強度を同時に制限することで、新しい局格子共同監視機構を導入する。 2025年洪水シーズンの個別試料による評価は, 個々のNWPと現行の運用製品の両方で有意に優れていた。 雷雨 (>=50 mm) では、最も優れたNWPと比較してスリートスコア (TS) は38.4%改善した。 特に、熱帯低気圧と亜熱帯高気圧によって駆動される極端な事象(>=100 mm)に対して、このモデルはTSを0.1以上まで上昇させることに成功した。 さらに,データ駆動型空間補正機能を示し,実際の降水中心を伴う系統的な雨帯変位を効果的に実現した。 観測所の観測により、降雨用のTSを10.4%強化し、ビアスを効果的にバランスさせた。 これらの結果から,極端降雨イベントの捕集促進における多ソース共同監視の有効性が示唆された。

関連論文リスト

• MZ-Rain: Moisture-Budget-Guided Zero-Inflated Model for Station-Level Precipitation Nowcasting [18.922294934481464]
  MZ-Rainは, 局面降水流用湿式誘導型ゼロインフレーションSLSTMフレームワークである。 MZ-Rainは、降水生成過程を、水分貯蔵、水分輸送、表面蒸発、降水持続性に対応するプロセス固有の経路に分解する。 CSI、FAR、MSE、MAEなど、複数の評価指標において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-09-04T08:24:52Z)
• 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)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• 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)
• Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
  高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。 本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:38Z)
• Self-Supervised Learning with Probabilistic Density Labeling for Rainfall Probability Estimation [16.086011448639635]
  SSLPDLはNWP予測を後処理することで降雨確率を推定するための後処理手法である。 極端気象現象のクラス不均衡に対処するために,確率密度に基づく簡単なラベル付け手法を提案する。 実験の結果,SSLPDLは地域降水後処理において,他の降水予測モデルを上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-08T05:56:09Z)
• TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness [13.696784449863959]
  熱帯サイクロン降水拡散 (TCP-Diffusion) は, 熱帯サイクロン降水量予測のマルチモーダルモデルである。 過去の降雨観測とマルチモーダル環境変数に基づいて,過去12時間のTCセンター周辺の降雨を3時間ごとの解像度で予測した。 気象要因の影響とNWPモデル予測からの有用性を考慮し,特殊エンコーダを用いたマルチモデルフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T02:58:05Z)
• 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)
• Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
  この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。 予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
  論文  参考訳（メタデータ） (2023-10-02T23:09:59Z)
• 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)
• 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。