論文の概要: Geospatial Diffusion-based Evolution Synthesis (GeoDES) for Storm-Centered Weather Augmentation

• arxiv url: http://arxiv.org/abs/2607.19522v1
• Date: Tue, 21 Jul 2026 19:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.909301
• Title: Geospatial Diffusion-based Evolution Synthesis (GeoDES) for Storm-Centered Weather Augmentation
• Title（参考訳）: 地空間拡散に基づく気象改善のためのジオDES(GeoDES)
• Authors: Sonia Cromp, Satya Sai Srinath Namburi GNVV, Youran Wang, Grace Kisslinger, Frederic Sala, James Booth, Allegra LeGrande,
• Abstract要約: 本稿では,GeoDES(Geospatial Diffusion-based Evolution Synthesis)モデルについて紹介する。 進化する嵐構造に厳密に焦点を合わせることで、GeoDESはストレステスト予測モデルや気象データセットの拡張に適した物理的に一貫した高忠実な気象事象を合成する。 評価の結果、GeoDESは主要な指標の先行手法よりも優れており、52%$Peak Vorticity Error が低く、8%$Anomaly correlation Coefficient が北大西洋テストセットの次の最強手法よりも高い。
• 参考スコア（独自算出の注目度）: 13.68177341402557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While machine learning-based weather models hold significant promise, they struggle to predict the detailed structure of large-scale weather systems such as cyclonic storms. Regional models are constrained by limited historical records within fixed geographic boundaries, while global models are computationally expensive and often operate at resolutions too coarse to capture fine-grained storm dynamics. To bridge this gap, we introduce the Geospatial Diffusion-based Evolution Synthesis (GeoDES) model, a custom image-to-video diffusion model. By focusing generation strictly on the evolving storm structure, GeoDES synthesizes physically consistent, high-fidelity weather events suitable for stress-testing forecast models and expanding meteorological datasets. Evaluations demonstrate that GeoDES outperforms prior methods on key metrics, achieving $52\%$ lower Peak Vorticity Error and $8\%$ higher Anomaly Correlation Coefficient than the next strongest methods on the North Atlantic test set.
• Abstract（参考訳）: 機械学習に基づく気象モデルは大きな可能性を秘めているが、シクロニック嵐のような大規模気象システムの詳細な構造を予測するのに苦労している。 地域モデルは、固定された地理的境界内での限られた歴史的記録によって制約される一方、グローバルモデルは計算に高価であり、しばしば大きすぎる解像度で運用されるため、きめ細かい嵐のダイナミクスを捉えることができない。 このギャップを埋めるために,GeoDES(Geospatial Diffusion-based Evolution Synthesis)モデルを導入する。 進化する嵐構造に厳密に焦点を合わせることで、GeoDESはストレステスト予測モデルや気象データセットの拡張に適した物理的に一貫した高忠実な気象事象を合成する。 評価の結果、GeoDESはキーメトリクスの先行手法よりも優れており、北大西洋テストセットの次の最強手法よりも、52\%$低いピーク渦性誤差と8\%高い異常相関係数を達成している。

関連論文リスト

• El Nino Prediction Based on Weather Forecast and Geographical Time-series Data [0.20524609401792393]
  本稿では,El Nioイベントの予測精度とリードタイムを向上させるための新しいフレームワークを提案する。 本フレームワークは, リアルタイムな気象予報データを, 異常, 海底熱量, 大気圧と統合する。
  論文  参考訳（メタデータ） (2026-04-05T21:10:59Z)
• 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)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。