論文の概要: AIFS-SUBS: Extending Data-Driven Forecasting to Sub-Seasonal Timescales
- arxiv url: http://arxiv.org/abs/2607.05100v1
- Date: Mon, 06 Jul 2026 13:56:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.170038
- Title: AIFS-SUBS: Extending Data-Driven Forecasting to Sub-Seasonal Timescales
- Title（参考訳）: AIFS-SUBS: データ駆動型予測をサブシーズンタイムスケールに拡張
- Abstract要約: ECMWFのAIFS-CRPS中距離モデルは、サブシーズンリードタイムに拡張される。
エラーは長期の自己回帰的なロールアウトに蓄積され、系統的バイアスはリードタイムとともに増大し、数年のデータを独立した検証のために保持する必要がある。
我々は、24時間自己回帰時間ステップを採用し、成層圏レベルと大気上層熱放射を予測器として追加し、2007-2011を独立した検証窓として予備した。
- 参考スコア（独自算出の注目度）: 0.4666455796459846
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data-driven models now rival numerical weather prediction in the medium range, but extending them to sub-seasonal lead times raises challenges absent at shorter horizons. Errors accumulate over long autoregressive rollouts, systematic biases grow with lead time, and several years of data must be held out for independent verification, even though machine-learning models otherwise benefit from longer training records. To address these challenges, we adapt ECMWF's AIFS-CRPS medium-range model. AIFS-SUBS adopts a 24h autoregressive time step to reduce error accumulation, adds stratospheric levels and top-of-atmosphere thermal radiation as predictors, and reserves 2007--2011 as an independent verification window. We evaluate two config-durations: AIFS-SUBS, fine-tuned on operational analyses, and AIFS-SUBS-ERA5, trained on ERA5 alone. Across weeks 2--6, AIFS-SUBS matches the operational Integrated Forecasting System (IFS) in probabilistic skill while reducing systematic biases. For the convective (OLR) component of the Madden--Julian Oscillation (MJO), AIFS-SUBS extends skilful forecasts (correlation > 0.5) by eight days relative to the IFS, while matching or exceeding the IFS for the full multivariate RMM index. AIFS-SUBS also reproduces the observed MJO modulation of tropical cyclone activity comparably. Stratospheric skill is particularly strong with AIFS-SUBS reproducing sudden stratospheric warming (SSW) frequency and surface impact. In the AI Weather Quest, AIFS-SUBS-ERA5 attains a variable-averaged ranked probability skill score slightly ahead of the IFS at weeks 3 and 4. At inference, AIFS-SUBS uses about 200 times less energy than the IFS, opening the door to much larger real-time ensembles. AIFS-SUBS is ECMWF's first machine-learning model targeted at sub-seasonal time-scales.
- Abstract（参考訳）: データ駆動型モデルは、現在中規模で数値的な天気予報に匹敵するが、それをサブシーズンのリードタイムに拡張することで、短い地平線で欠落する問題を引き起こす。
エラーは長期にわたる自己回帰的なロールアウトに蓄積され、組織的バイアスはリードタイムとともに増大し、マシンラーニングモデルがそれ以上のトレーニング記録の恩恵を受けているにも関わらず、数年のデータを独立した検証のために保持する必要がある。
これらの課題に対処するため、ECMWFのAIFS-CRPS中距離モデルを適用した。
AIFS-SUBSは、エラーの蓄積を減らし、成層圏レベルと大気上層熱放射を予測器として追加し、2007-2011年に独立した検証窓として予備する。
ERA5だけで訓練されたAIFS-SUBSとAIFS-SUBS-ERA5の2つの構成デューレーションを評価した。
2～6週間にわたって、AIFS-SUBSは運用統合予測システム(IFS)と確率的スキルを一致させ、体系的なバイアスを低減した。
Madden-Julian Oscillation (MJO) の対流成分 (OLR) に対して、AIFS-SUBS は、全多変量 RMM 指数に対して IFS に適合または超えながら、ISF に対して8日間の速さで予測(相関 > 0.5)を拡張する。
AIFS-SUBSはまた、観測された熱帯性サイクロン活性のMJO変調を可逆的に再現する。
成層圏技術は、特にAIFS-SUBSが突然成層圏温暖化(SSW)の頻度と表面の影響を再現することで強い。
AI Weather Questでは、AIFS-SUBS-ERA5が3週目と4週目で、IPSよりもわずかに先行して、平均的なランク付けされた確率スキルスコアを達成している。
推測では、AIFS-SUBSはIFSの約200倍のエネルギーを消費し、より大きなリアルタイムアンサンブルへの扉を開く。
AIFS-SUBSはECMWFのサブシーズンタイムスケールを対象とした最初の機械学習モデルである。
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) - 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) - 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) - From Observations to States: Latent Time Series Forecasting [65.98504021691666]
本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。
具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。
提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
論文 参考訳（メタデータ） (2026-01-30T20:39:44Z) - Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings [11.259108118025736]
急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。
本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発した。
FM-Castは10イベントの開始、強度、形態を20日前に正確に予測し、50%以上のアンサンブル精度を達成する。
論文 参考訳（メタデータ） (2025-10-30T11:16:22Z) - CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。
アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。
トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
論文 参考訳（メタデータ） (2025-10-23T17:43:38Z) - Interpretable Time Series Autoregression for Periodicity Quantification [18.6300875919604]
時系列自動回帰(英: Time series autoregression、AR)は、実世界のシステムにおける自動相関と周期構造のための古典的なツールである。
SAR(sparse autoregression)を導入してこのモデルを再検討し、支配的な周期を分離するために$ell$-norm制約を用いる。
大規模移動・気候時系列の枠組みを検証した。
論文 参考訳（メタデータ） (2025-06-28T14:17:11Z) - Analogue Forecast System for Daily Precipitation Prediction Using Autoencoder Feature Extraction: Application in Hong Kong [0.0]
深層学習方式のオートエンコーダを用いて拡張AFSを開発した。
ECMWFリアナリシス(ERA5)の第5世代のデータセットが利用される。
強化されたAFSは、既存のAFSよりも一貫性があり、優れた性能を示している。
論文 参考訳（メタデータ） (2025-01-06T07:26:01Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - 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) - Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals
for GPM: A U-Net Convolutional LSTM Architecture [3.5776345196917254]
本稿では,30分毎の降水量を4時間のリードタイムでほぼ全世界的に予測する深層学習アーキテクチャを提案する。
このアーキテクチャは、U-Netと畳み込み長短期記憶(LSTM)ニューラルネットワークを融合させる。
GPM(IMERG)のための統合MultisatellitE Retrievalsのデータと、Global Forecast System(GFS)のいくつかの主要な降水ドライバを用いてトレーニングされている。
論文 参考訳（メタデータ） (2023-07-20T13:04:26Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z)
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。