論文の概要: MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres

• arxiv url: http://arxiv.org/abs/2608.05054v1
• Date: Wed, 05 Aug 2026 17:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.035856
• Title: MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres
• Title（参考訳）: MarsCast:AI気象モデルから惑星大気への移行学習
• Authors: M. L. Carroll, J. Li, S. D. Guzewich, G. Villanueva, J. A. Caraballo-Vega, M. J. Frost,
• Abstract要約: 我々は、火星の大気力学をシミュレートするために、グラフCastグラフのニューラルネットワーク天気予報モデルを適用した。 微調整により、火星の熱変動の迅速な学習が可能になる。 結果は、地球で訓練されたAI気象モデルが火星の大気力学をシミュレートできることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the transferability of Earth weather foundation models to planetary atmospheres by adapting the GraphCast graph neural weather forecasting model to Mars. While GraphCast achieves state-of-the-art performance for terrestrial forecasting, its applicability to non-Earth environments remains unexplored. Using the Mars Climate Database (MCD), which provides global atmospheric fields across vertical altitude levels (similar to Earth pressure levels), we evaluate zero-shot and fine-tuned GraphCast predictions of Martian temperature and wind fields. Zero-shot forecasts produce a surprisingly accurate depiction of current conditions but fail to reproduce diurnal variability and rapidly decay toward climatological mean states. To address this limitation, we fine-tune GraphCast using MCD variables and top-of-atmosphere solar radiation forcing while holding humidity constant. Fine-tuning enables rapid learning of Martian thermal variability. Within as few as 10 training epochs, the model begins to capture the diurnal cycle and forecasts up to 10 days reproduce seasonal and vertical temperature structure. Prediction quality improves with training sample size and exhibits sensitivity to seasonal initialization. These results demonstrate that Earth-trained AI weather models can be adapted to simulate Martian atmospheric dynamics, providing a pathway toward rapid planetary weather prediction to support mission operations, dust storm risk mitigation, and future human exploration.
• Abstract（参考訳）: 本研究では,地球気象基礎モデルの惑星大気への移動可能性について,グラフCastグラフのニューラル気象予測モデルを火星に適応させることにより検討した。 GraphCastは地上予測の最先端性能を達成しているが、地球以外の環境への適用性は未解明のままである。 マルス気候データベース (MCD) を用いて、垂直高度(地球圧レベルと同様)の地球大気圏の場を提供し、火星の温度と風場のゼロショットおよび微調整されたグラフCast予測を評価する。 ゼロショット予測は、現在の状況を驚くほど正確に描写するが、日中の変動を再現できず、気候学的平均状態に向かって急速に崩壊する。 この制限に対処するため, 湿度定数を保ちながら, MCD変数と大気上における太陽放射を微調整した。 微調整により、火星の熱変動の迅速な学習が可能になる。 10日以内のトレーニング期間内に、モデルは日周期を捉え始め、季節と垂直の温度構造を最大10日間再現する。 予測品質は、トレーニングサンプルサイズによって改善され、季節初期化に対する感受性を示す。 これらの結果は、地球で訓練されたAI気象モデルが火星の大気力学をシミュレートするために適応できることを示し、ミッションの運用、塵嵐のリスク軽減、将来の人類の探査を支援するために、迅速な惑星気象予測への道筋を提供する。

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)
• VegSim: A Geospatial World Model for Scenario-Conditioned Vegetation Simulation [1.373282478189168]
  本稿では,シナリオ条件付植生シミュレーションの世界モデルであるVegSimを紹介する。 VegSimは、スパース衛星由来のNDVI履歴から潜伏した植生状態を推定する。 We evaluate VegSim on GreenEarthNet across in-distriion data and space, temporal, and joint space-temporal shift。
  論文  参考訳（メタデータ） (2026-06-20T09:24:29Z)
• 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)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• 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)
• 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)
• Expanding Mars Climate Modeling: Interpretable Machine Learning for Modeling MSL Relative Humidity [0.0]
  本稿では,機械学習技術を活用した火星の気候モデリング手法を提案する。 我々の研究は、Gale Craterの相対湿度を正確にモデル化するために設計されたディープニューラルネットワークを提案する。 我々のニューラルネットワークは、いくつかの気象変数を用いて、ガレクレーターの相対湿度を効果的にモデル化できることがわかった。
  論文  参考訳（メタデータ） (2023-09-04T08:15:15Z)
• 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)
• EarthNet2021: A novel large-scale dataset and challenge for forecasting localized climate impacts [12.795776149170978]
  大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。 メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。 EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
  論文  参考訳（メタデータ） (2020-12-11T11:21:00Z)

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。