論文の概要: AIFS-TC: A simple correction competitive with the operational frontier for tropical cyclone intensity forecasting
- arxiv url: http://arxiv.org/abs/2608.09959v2
- Date: Thu, 13 Aug 2026 10:42:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 01:32:04.568152
- Title: AIFS-TC: A simple correction competitive with the operational frontier for tropical cyclone intensity forecasting
- Title（参考訳）: AIFS-TC:熱帯サイクロン強度予測のための運用フロンティアと競合する簡単な補正
- Abstract要約: 本稿では,AIFS-Singleモデルに対する簡単な修正であるAIFS-TCを提案する。
最大風速と最低中央圧を予測するための運転状態と競合する。
- 参考スコア（独自算出の注目度）: 19.095372450775592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI weather models are in the process of revolutionising weather forecasting. While these models have been shown to achieve superior performance to physics-based NWP in forecasting tropical cyclone (TC) tracks, they tend to dramatically underestimate intensity. Here we present AIFS-TC, a simple correction to the AIFS-Single model that is competitive with the operational state-of-the-art for forecasting maximum wind speed and minimum central pressure at lead times of 12 h to seven days. This performance also holds for rapid intensification events. Notably, the entire system was autonomously designed and built by a large language model (Claude Fable 5) in a few hours, directed through a small number of natural-language prompts by a single domain scientist. That the operational frontier can be reached with an open-source AI forecast model (AIFS-Single) and relatively simple, cheap post-processing is significant for TC science, and points to agentic coding as a route to rapid exploration and progress in life-saving early-warning systems in other domains.
- Abstract（参考訳）: AI天気モデルは、天気予報の革命の過程にある。
これらのモデルは、熱帯性サイクロン (TC) トラックの予測において、物理学に基づくNWPよりも優れた性能を示すことが示されているが、それらは劇的に過小評価される傾向にある。
本稿では,AIFS-Singleモデルに対する簡単な修正であるAIFS-TCを提案する。
このパフォーマンスは、急激な強化イベントも行う。
特に、システム全体が自律的に設計され、大規模な言語モデル(Claude Fable 5)によって数時間で構築されました。
運用フロンティアは、オープンソースのAI予測モデル(AIFS-Single)で到達でき、比較的シンプルで安価な後処理は、TCサイエンスにとって重要である。
関連論文リスト
- Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting [41.425396436098474]
我々は,地球規模の熱帯サイクロン予測のための物理制約生成フレームワークTianmu-TCを提案する。
実験では、天武-TCは決定論的およびアンサンブルな気象人工知能モデルよりも優れていた。
これらの結果は、物理制約生成AIが、信頼性が高く効率的なグローバルTC予測に有望なアプローチを提供することを示唆している。
論文 参考訳（メタデータ） (2026-08-19T03:46:13Z) - Improving Ensemble Forecasts of Abnormally Deflecting Tropical Cyclones with Fused Atmosphere-Ocean-Terrain Data [13.045445356929479]
深層学習に基づく熱帯サイクロン予測に2つの画期的な貢献を報告した。
まず,北西太平洋流域におけるTC予測のためのマルチモーダル・マルチソースデータセットAOT-TCsを構築した。
第2に、AOT-TCsデータセットに基づいて、正常および異常に偏向したTCを扱える予測モデルを提案する。
論文 参考訳（メタデータ） (2026-03-31T03:11:46Z) - Modernizing CNN-based Weather Forecast Model towards Higher Computational Efficiency [5.781137818421603]
グローバル気象予報のための近代化されたCNNモデルを提案する。
KAI-a にはスケール不変アーキテクチャと InceptionNeXt ベースのブロックが組み込まれている。
ERA5の日次データセットで67の大気変数でトレーニングされ、1つのNVIDIA L40s GPUでわずか12時間でトレーニングが完了する。
論文 参考訳（メタデータ） (2025-07-15T01:16:32Z) - XiChen: An observation-scalable fully AI-driven global weather forecasting system with 4D variational knowledge [7.915120865599803]
XiChenは、観測可能な完全なAI駆動のグローバル気象予報システムである。
XiChenのパイプライン全体(データ同化(DA)から中距離予測まで)は、わずか17秒で実現できる。
論文 参考訳（メタデータ） (2025-07-12T08:46:58Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - 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) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - 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) - 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) - 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) - 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。