論文の概要: Tropical Cyclone Forecasting via Latent Rectified Flow using Satellite Imagery and Atmospheric Fields
- arxiv url: http://arxiv.org/abs/2608.08354v2
- Date: Sat, 15 Aug 2026 22:46:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.011954
- Title: Tropical Cyclone Forecasting via Latent Rectified Flow using Satellite Imagery and Atmospheric Fields
- Title（参考訳）: 衛星画像と大気場を用いた潜在整流流による熱帯サイクロン予測
- Abstract要約: この研究は、GRIDSAT-B1赤外線画像と4つのERA5大気場を9時間連続で予測するシングルパスモデルを示す。
モデルは、予測された風から導かれる微分可能なトラック誤差に対して、報酬細調整(DRaFT)される。
2022年の嵐でモデルは16.35dBのPSNRと0.759のSSIMに達する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tropical cyclones are growing more destructive in a changing climate, and efficient forecasting of their structure and track has become a necessity. Deep generative models promise an alternative to computationally expensive numerical weather prediction (NWP), yet current systems produce either satellite imagery or atmospheric fields, never both; they need many sampling steps, putting them out of reach of modest hardware; and their storm tracks come from regression heads with no physical link to the generated atmosphere. This work presents a single-pass model that jointly forecasts GRIDSAT-B1 infrared imagery and four ERA5 atmospheric fields (U-wind, V-wind, air temperature, and surface pressure) out to nine hours. A five-channel variational autoencoder compresses each 5 x 256 x 256 frame to a 4 x 64 x 64 latent, and a conditional rectified-flow UNet with a factorized temporal-attention module predicts the next three frames from three past frames, their best-track coordinates, and timestamps. The model is then reward-fine-tuned (DRaFT) against a differentiable track error derived from the predicted winds through a steering-flow calculation. On held-out 2022 storms the model reaches 16.35 dB PSNR and 0.759 SSIM, ahead of a reproduced cascaded-diffusion baseline at every lead time (+0.84 dB at +9 h) while sampling ~30x faster (56 ms vs. 1673 ms). Track error at +9 h is 62.4 km, 15% below the baseline, and a reward fine-tuning study demonstrates a further 8-11% track-error reduction across sampler budgets.
- Abstract（参考訳）: 熱帯のサイクロンは、変化する気候の中でより破壊的になり、その構造と軌道の効率的な予測が求められている。
深層生成モデルは計算コストのかかる数値天気予報(NWP)の代替を約束するが、現在のシステムは衛星画像または大気圏の両方を生成しない。
本研究は、GRIDSAT-B1赤外線画像と4つのERA5大気場(U-wind, V-wind, air temperature, surface pressure)を9時間で予測するシングルパスモデルを提案する。
5チャンネル変分オートエンコーダは、各5 x 256 x 256フレームを4 x 64 x 64ラテントに圧縮し、分解時間保持モジュール付き条件修正流UNetは、過去の3つのフレーム、最良のトラック座標、タイムスタンプから次の3つのフレームを予測する。
このモデルは、操舵流計算により予測された風から導かれる微分可能な軌道誤差に対して、報酬細調整(DRaFT)される。
2022年の嵐で、モデルは16.35dBのPSNRと0.759のSSIMに達し、リードタイム(+0.84dB +9 h)ごとに再生されたカスケード拡散ベースラインに先行し、サンプリングは30倍速く(56ms vs. 1673 ms)。
9hのトラックエラーは62.4kmで、ベースラインより15%低い。
関連論文リスト
- Physics-Based Deep Spatiotemporal Hyperlocal Radar Nowcasting with a Multi-Variable U-Net for High-Resolution Precipitation Forecasting [0.0]
エンコーダ・デコーダU-Net内で,マルチエレベーション反射率,ドップラー半径速度,ラジアル速度勾配のプロキシ機能を組み合わせたレーダオンリー・ナウキャスティング・フレームワークを開発した。
このモデルは2023年5月から8月にかけてムンバイのドップラーレーダー観測を用いて訓練され、時間的に独立した事象について評価された。
論文 参考訳（メタデータ） (2026-07-17T16:09:48Z) - 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) - Scaling Storm-Resolving Atmospheric AI Simulation to the Entire Planet [4.77834801104581]
STRATA (Storm-resolving Tile-based auto Regressive Atmosphere Transformer Architecture) は、世界規模の嵐解決型大気力学のための最初の自己回帰型AIエミュレータである。
STRATAは、様々な体制にまたがる現実的なkmスケールのダイナミックスを備えた、24時間の世界展開を安定的に行う。
SCREAMの物理モデルよりもエネルギー効率が約50倍高い。
論文 参考訳（メタデータ） (2026-06-30T07:24:33Z) - Physics-Informed Diffusion Model for Generating Synthetic Extreme Rare Weather Events Data [0.0]
伝統的なデータ拡張技術は、まれなカテゴリー4等価事象に特徴的な物理的一貫性と高強度勾配を維持するのに失敗する。
極端気象事象の合成多スペクトル衛星画像を生成するために,Context-UNetアーキテクチャに基づく物理インフォームド拡散モデルを提案する。
論文 参考訳（メタデータ） (2026-03-06T18:54:55Z) - FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。
FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。
その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文 参考訳（メタデータ） (2025-07-16T11:22:18Z) - Next Block Prediction: Video Generation via Semi-Autoregressive Modeling [92.60177942930946]
Next-Block Prediction (NBP) は、ビデオ生成のための半自己回帰(セミAR)フレームワークである。
NBPは各ブロック内で双方向の注意を払っており、トークンはより堅牢な空間依存をキャプチャすることができる。
本モデルでは,UCF101では103.3点,K600では25.5点,バニラNTPモデルでは4.4点,FVDスコアは25.5点であった。
論文 参考訳（メタデータ） (2025-02-11T17:57:53Z) - Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。
予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文 参考訳（メタデータ） (2023-10-02T23:09:59Z) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。
我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。
WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文 参考訳（メタデータ） (2023-02-08T14:50:52Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z)
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。