論文の概要: Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields

• arxiv url: http://arxiv.org/abs/2607.17037v1
• Date: Sun, 19 Jul 2026 02:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.341881
• Title: Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields
• Title（参考訳）: Apeliotes:kmスケール多層大気場のための拡散モデルフレームワーク
• Authors: Evangelia Rafaela Frastali, Achyut Paudel, Maryam Golbazi, Frank Liu,
• Abstract要約: Apeliotesは高解像度気象予報のためのフレームワークである。 このモデルは、真理と予測場の間の誤差が3%未満の垂直風速分布を予測する。
• 参考スコア（独自算出の注目度）: 1.9686770963118387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution atmospheric data are required to resolve mesoscale and localized meteorological structures, however such datasets remain limited in many regions of the world. Existing high-resolution weather products are typically produced through dynamical downscaling, which is computationally expensive and difficult to scale across locations, variables, and forecast scenarios. These limitations motivate machine-learning-based downscaling systems that can generate multiple weather variables stochastically while producing new high-resolution fields directly. In this paper we present Apeliotes, a framework for high-resolution weather forecasting. Built on the global re-analysis atmospheric data, a pre-trained global weather foundation model, and a regionally trained generative diffusion model, Apeliotes not only provides accurate kilometer-scale weather variables, but also multi-level atmospheric fields which are not directly available in the existing global atmospheric data. Our comprehensive evaluation demonstrates that Apeliotes achieves highly competitive performance. The model predicts vertical wind profile with less than 3\% error between truth and predicted fields, achieving correlations of 0.91 for 10-m wind speed and 0.99 for 2-m temperature, with NRMSE values of 0.42 and 0.17, respectively.
• Abstract（参考訳）: メソスケールや局部的な気象構造を解明するには高解像度の大気データが必要であるが、そのようなデータセットは世界中の多くの地域で限られている。 既存の高解像度気象製品は通常、動的ダウンスケーリングによって生成され、計算コストが高く、場所、変数、予測シナリオにまたがるスケールが困難である。 これらの制限は、複数の気象変数を確率的に生成し、新しい高解像度フィールドを直接生成する機械学習ベースのダウンスケーリングシステムを動機付けている。 本稿では,高分解能気象予報のためのフレームワークであるApeliotesについて述べる。 アペリオテスは、グローバルな再分析大気データ、事前訓練されたグローバル気象基盤モデル、および地域的に訓練された生成拡散モデルに基づいて構築され、正確なキロスケールの気象変数を提供するだけでなく、既存のグローバル大気データでは直接利用できない多層大気フィールドも提供する。 我々の総合的な評価は、アペリオテスが高い競争力を発揮することを示す。 本モデルでは,10mの風速で0.91,2mの風速で0.99,NRMSEで0.42,0.17の相関性が得られる。

関連論文リスト

• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• 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)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)

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。