論文の概要: Do AI weather models miss extremes?

• arxiv url: http://arxiv.org/abs/2608.09972v1
• Date: Fri, 31 Jul 2026 14:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.572911
• Title: Do AI weather models miss extremes?
• Title（参考訳）: AIの天気モデルは極端を見逃すのか?
• Abstract要約: 第一世代のAI気象モデルはしばしば極端に性能が劣っていると報告されている。 我々は10ヶ月にわたって、ヨーロッパの合成、太陽、雨量計のステーションに対して、11の物理的およびAI予測システムを検証した。 これらのシステムの中で、AIモデルは尾部に均一な相対スキルの欠陥を示さない。
• 参考スコア（独自算出の注目度）: 3.3270769893417707
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: First-generation AI weather models are often reported to underperform at extremes, mostly in reanalysis-based evaluations of deterministic regression systems. We verify eleven physical and AI forecast systems against European synoptic, solar, and rain-gauge stations over ten months for 10 m wind, 2 m temperature, hourly shortwave accumulation, and hourly precipitation, scoring mean absolute error (MAE) against ECMWF IFS in ERA5 1991-2020 climatological regimes. Among these systems, AI models do not show a uniform relative-skill deficit in the tails. Jua EPT-2.1 Europa leads all-conditions wind (+8.4%), while Jua EPT-2 HRRR leads temperature overall (+12.1%) and in the heat regime (+19.6 +/- 2.2%). EPT-2.1 Europa and DWD ICON Global lead at gale-force wind. Jua EPT-2.1 Helios leads solar overall (+10.2 +/- 1.7%), in overcast conditions (+16.4 +/- 3.4%), and in the clear-sky tail (+24.8 +/- 5.4%). For precipitation, three Jua models gain 14-15% at moderate intensity and 9-11% at P75-P95; EPT-2 Reasoning remains ahead above P95 (+1.7 +/- 0.5%). Failures are model-specific: ECMWF AIFS loses 4.9 +/- 2.0% in the heat tail, while NOAA GFS loses 22.8 +/- 2.0% there. Every model, including numerical weather prediction systems, shows a shared conditional bias toward the centre of the observed distribution, with an inter-model spread several times smaller than the shared signal. Missing relative skill at extremes is therefore not a property of AI weather models as a class, but of particular AI and physical models.
• Abstract（参考訳）: 第一世代のAI気象モデルは、多くの場合、決定論的回帰システムの再分析に基づく評価において、極端に性能が低いと報告されている。 ERA5 1991-2020の気候環境におけるECMWF IFSに対する平均絶対誤差 (MAE) を算出し, 風速10m, 気温2m, 短波蓄積時間2m, 降水量10ヶ月にわたって, 欧州の総合観測所, 太陽観測所, 雨天観測所に対して11の物理・AI予測システムを検証した。 これらのシステムの中で、AIモデルは尾部に均一な相対スキルの欠陥を示さない。 Jua EPT-2.1 Europaは全条件風(+8.4%)、Jua EPT-2 HRRRは気温(+12.1%)、ヒートレジーム(+19.6 +/-2.2%)である。 EPT-2.1 EuropaとDWD ICON Globalが強風でリード。 Jua EPT-2.1 Heliosは太陽全体(+10.2 +/- 1.7%)、オーバーキャスト条件(+16.4 +/- 3.4%)、クリアスキーテール(+24.8 +/- 5.4%)を導く。 降水量では、3つのJuaモデルが適度な強度で14-15%、P75-P95で9-11%増加し、EPT-2 推論は P95 (+1.7 +/- 0.5%) を上回っている。 ECMWF AIFSは4.9+/-2.0%、NOAA GFSは22.8+/-2.0%である。 数値天気予報システムを含む全てのモデルは、観測された分布の中心に対して共有条件バイアスを示し、共有信号の何倍も小さいモデル間拡散を示す。 したがって、極端な相対的なスキルを欠くことは、クラスとしてのAI天気モデルの性質ではなく、特定のAIおよび物理モデルの性質である。

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)
• Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction [14.123695538241376]
  意思決定者は天気予報に頼り、作物を植え、山火事を管理し、水とエネルギーを割り当て、極端な天候に備えている。 しかし、モデルスキルは、エラーと永続的なバイアスが混ざり合っているため、サブシーズンタイムスケールで急激に低下します。 確率的バイアス補正(PBC)は,過去の確率的予測を正すための学習によって,体系的誤りを大幅に低減する機械学習フレームワークである。
  論文  参考訳（メタデータ） (2026-04-17T16:58:06Z)
• EPT-2 Technical Report [30.496955543691026]
  EPT-2は、地球系予測のための基礎AIモデルの地球物理変換器シリーズの最新版である。 Microsoft Auroraのような主要なAI天気モデルと、運用数値予測システムであるIFS HRESを一貫して上回っている。 同時に、確率予測のためのETT-2の摂動に基づくアンサンブルモデル、EPT-2eを導入する。
  論文  参考訳（メタデータ） (2025-07-13T16:32:13Z)
• How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
  本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。 本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。 地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。 軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
  論文  参考訳（メタデータ） (2025-04-21T03:02:42Z)
• 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)
• EPT-1.5 Technical Report [31.466883373381165]
  EPT-1.5は、特に10mと100mの風速と太陽放射のエネルギー関連変数を予測する際、顕著な性能を示す。 特に風速予測では、GraphCast、FuXi、Pangu-Weatherといった既存のAI天気モデルを上回っている。
  論文  参考訳（メタデータ） (2024-10-19T11:44:04Z)
• 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)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。