論文の概要: Integrating GNSS-Derived Zenith Wet Delay into a Weather Foundation Model Improves Precipitation Forecasting
- arxiv url: http://arxiv.org/abs/2607.05658v1
- Date: Mon, 06 Jul 2026 21:58:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.334331
- Title: Integrating GNSS-Derived Zenith Wet Delay into a Weather Foundation Model Improves Precipitation Forecasting
- Title（参考訳）: GNSSによるゼニスウェット遅延の気象基礎モデルへの統合による降雨予報の改善
- Abstract要約: ゼニスウェット遅延(Zenith Wet Delay、ZWD)は、カラムの水分を直接測定する指標である。
ZWDは、深刻な降水量の過小評価という既知の欠陥に対処しているにもかかわらず、機械学習天気モデル(MLWM)ではまだ使われていない。
我々は、ZWD由来のモデルの最初の統合を、最先端の気象基礎モデルであるAuroraに提示する。
- 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 Navigation Satellite Systems (GNSS), best known for positioning, also serve weather science, as atmospheric water vapour delays their signals. This delay, the Zenith Wet Delay (ZWD), is a direct, all-weather measure of column moisture. Although assimilated into numerical weather prediction for decades, ZWD is not yet used by leading machine learning weather models (MLWM), despite addressing a known deficiency: the underestimation of severe precipitation. Here we present the first integration of GNSS-derived ZWD into Aurora, a state-of-the-art weather foundation model. Our extended Aurora learns ZWD with skill comparable to its pretrained variables. More importantly, including ZWD systematically improves forecasts when fine-tuning for six-hour accumulated precipitation. Gains grow with severity, reaching an 8.8\% increase in Equitable Threat Score at the 99th percentile, while the precipitation power spectrum becomes more realistic at synoptic and planetary scales. Direct GNSS observations therefore encode information that MLWM can exploit for high-impact precipitation.
- Abstract（参考訳）: 地球航法衛星システム(GNSS、Global Navigation Satellite Systems)は、大気中の水蒸気が信号を遅延させるため、気象科学としても知られている。
この遅延であるZenith Wet Delay(ZWD)は、カラム水分の直接的全天候測定である。
何十年にもわたって数値天気予報に同化されているが、ZWDは、既知の不足に対処しているにもかかわらず、機械学習気象モデル(MLWM)ではまだ使われていない。
本稿では、GNSS由来のZWDを最新の気象基礎モデルであるAuroraに初めて統合する。
拡張されたAuroraは、事前訓練された変数に匹敵するスキルでZWDを学習する。
さらに重要なことは、ZWDは6時間の降水量の微調整で予測を体系的に改善する。
上昇は重大度とともに増加し、99度目でEquitable Threat Scoreが8.8 %上昇する一方、降水パワースペクトルはシン光学や惑星スケールでより現実的になる。
したがって、直接GNSS観測はMLWMが高影響の降水に利用できる情報を符号化する。
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) - Enhancing Heavy Rain Nowcasting with Multimodal Data: Integrating Radar and Satellite Observations [12.519094153257592]
ドイツでは、2001年から2018年にかけての1時間にわたる大雨の17.3%しか降雨量計によって記録されていない。
レーダーデータも 進行中の降水量を追跡する
本研究では,レーダ画像と衛星画像を組み合わせて,5,15,30分間の降水量の予測を行うマルチモーダル流速モデルを構築した。
論文 参考訳（メタデータ） (2025-11-01T21:47:07Z) - An Operational Deep Learning System for Satellite-Based High-Resolution Global Nowcasting [9.23443504868893]
従来の数値気象予測手法は、レイテンシが高く、空間分解能が低く、時間分解能が低い。
近年、グローバル・ノースでよく見られる機械学習による現在放送手法は、レーダーが極端に少ないため、グローバル・サウスまで拡張することはできない。
我々はGlobal MetNetについて紹介する。
論文 参考訳（メタデータ） (2025-10-15T00:11:03Z) - DPSformer: A long-tail-aware model for improving heavy rainfall prediction [48.884870685632755]
DPSformerは,高分解能分岐による豪雨イベントの表現を充実させる長テール認識モデルである。
豪雨の場合、DPSformerはベースラインの数値気象予測(NWP)モデルのCritical Success Index(CSI)を0.012から0.067に引き上げる。
我々の研究は、降雨予測のための効果的な長期的パラダイムを確立し、早期警戒システムを強化し、極端な気象事象の社会的影響を軽減するための実用的なツールを提供する。
論文 参考訳（メタデータ） (2025-09-20T15:09:38Z) - Data-driven Precipitation Nowcasting Using Satellite Imagery [20.981632248748944]
ほとんどの発展途上国は、独自のレーダーシステムを操作するのではなく、解像度の低いグローバルな数値モデルに依存している。
我々は,地球規模の静止衛星画像を用いたニューラル沈殿モデル(NPM)を提案する。
NPMは降水量を最大6時間予測し、1時間ごとに更新する。
論文 参考訳（メタデータ） (2024-12-16T06:48:30Z) - 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) - Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada [12.729339328566542]
降水量計、降水レーダ、衛星ベースの降水センサーといった3つの広く使われている降水量測定手法は、複雑な領域で信頼できる降水生成物を生成するために独自の利点と欠点を持っている。
検出エラーの確率を低減し、データの信頼性を向上させる方法の1つは、降水データマージである。
本研究では,Long Short-term Memory (LSTM) という深層学習技術を用いて,レーダーと衛星を用いたグローバル降水量測定(GPM)を時間スケールで統合した。
論文 参考訳（メタデータ） (2024-04-15T21:01:31Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Deep Learning for Rain Fade Prediction in Satellite Communications [6.619650459583444]
視線衛星システム、無人航空機、高高度プラットフォーム、マイクロ波リンクは雨の影響を受けやすい。
これらのシステムの降雨量予測は、降雨量発生前の地上ゲートウェイを積極的に切り替えてシームレスなサービスを維持するために重要である。
衛星画像データとレーダー画像データとリンク電力測定を用いて将来の雨害を予測するディープラーニングアーキテクチャが提案されている。
論文 参考訳（メタデータ） (2021-10-02T00:43:02Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。