Fugu-MT 論文翻訳(概要): Weather Emulators at the Frontier of Heat Extremes Predictability

論文の概要: Weather Emulators at the Frontier of Heat Extremes Predictability

arxiv url: http://arxiv.org/abs/2607.28220v1
Date: Thu, 30 Jul 2026 13:54:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.581414
Title: Weather Emulators at the Frontier of Heat Extremes Predictability
Title（参考訳）: 温暖化予測可能性の最前線における気象エミュレータ
Abstract要約: 我々は6つの最先端のディープラーニング気象エミュレータを評価した。いくつかのエミュレータは、決定論的温度スキルにおいて物理ベースの予測に匹敵するか、超越している。結果は、拡張範囲温度予測を強化するAIの新たな可能性の両方を強調している。
参考スコア（独自算出の注目度）: 0.34298729855744026
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Atmospheric predictability declines rapidly beyond the next ten days, such that forecasts at longer lead times primarily convey large-scale trends rather than specific states. Yet in a warming world, improving early warnings of extreme heat is an increasingly critical challenge. Here we evaluate six state-of-the-art deep learning weather emulators - Pangu-Weather, FuXi, ArchesWeather, AIFS, GraphCast and Aurora - alongside leading dynamical systems and statistical baselines in forecasting global near-surface temperature and extreme heat at lead times of 10-15 days. We find that several emulators rival or even surpass physics-based forecasts in deterministic temperature skill, but do so at the cost of reduced spectral fidelity, in a process widely known as blurring. While all models show some degree of predictive skill for extreme heat, most emulators under-represent peak intensities, and IFS recall is greater than that of any of the emulators. These results highlight both the emerging potential of AI to enhance extended range temperature prediction, and the remaining challenges in delivering reliable, actionable early warnings in a changing climate.
Abstract（参考訳）: 大気の予測可能性は次の10日間で急速に減少し、長いリードタイムでの予測は特定の状態よりも大規模な傾向を主に伝達する。しかし、温暖化の世界では、極端な熱の早期警告を改善することがますます重要な課題となっている。ここではPangu-Weather, FuXi, ArchesWeather, AIFS, GraphCast, Auroraの6つの最先端の深層学習気象エミュレータを評価し, 先進的な力学系と統計ベースラインとともに, 地球近傍温度と極端熱を10～15日間の鉛時間で予測する。いくつかのエミュレータは、決定論的温度スキルにおいて物理ベースの予測に匹敵する、あるいは超越している。全てのモデルが極端な熱の予測能力を示しているが、ほとんどのエミュレータはピーク強度以下であり、IFSリコールはどのエミュレータよりも大きい。これらの結果は、拡張範囲の温度予測を強化するAIの新たな可能性と、変化する気候の中で信頼性があり行動可能な早期警告を提供する上での残りの課題の両方を強調している。

関連論文リスト

EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文参考訳（メタデータ） (2026-06-25T16:53:30Z)
EWE: An Agentic Framework for Extreme Weather Analysis [61.092871317626496]
Extreme Weather Expert (EWE)は、このタスクに特化した最初のインテリジェントエージェントフレームワークである。 EWEは、知識誘導計画、クローズドループ推論、およびドメイン調整された気象ツールキットを通じて、専門家の可視化をエミュレートする。進展を触媒するため、我々は103のハイインパクトイベントをキュレートしたデータセットを含む、この新興分野の最初のベンチマークを紹介した。
論文参考訳（メタデータ） (2025-11-26T14:37:25Z)
On the Predictive Skill of Artificial Intelligence-based Weather Models for Extreme Events using Uncertainty Quantification [0.34875901464487297]
本研究は,芸術決定論的人工知能モデルが初期条件摂動にどう反応するかを考察する。 2022年8月、パキスタンの洪水と中国の熱波の2つの主要なイベントのために50の会員アンサンブルを生成します。その結果,流れ依存摂動は最も現実的なアンサンブルの広がりと高い確率的スキルを生み出すが,数値的な天気予報アンサンブルで性能ギャップを埋めることはできないことがわかった。
論文参考訳（メタデータ） (2025-11-21T11:54:22Z)
xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
論文参考訳（メタデータ） (2025-10-23T15:24:45Z)
MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
論文参考訳（メタデータ） (2025-09-02T01:51:40Z)
Numerical models outperform AI weather forecasts of record-breaking extremes [0.18749305679160366]
記録破りの気象極端の場合、数値モデルHigh Resolution予測は依然として最先端のAIモデルを上回っていることを示す。 AIモデルの予測誤差は、ほぼすべてのリードタイムにおけるHRESよりも、記録破りの暑さ、寒さ、風速に対して一貫して大きいことを実証する。
論文参考訳（メタデータ） (2025-08-21T17:07:16Z)
Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
論文参考訳（メタデータ） (2024-06-13T07:46:03Z)
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)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
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)

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。