論文の概要: Earth observation embeddings are effective sub-grid descriptors for probabilistic weather downscaling

• arxiv url: http://arxiv.org/abs/2608.12271v1
• Date: Wed, 12 Aug 2026 17:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.657992
• Title: Earth observation embeddings are effective sub-grid descriptors for probabilistic weather downscaling
• Title（参考訳）: 地球観測の埋め込みは、確率的天候下降に有効なサブグリッド記述子である
• Abstract要約: 本研究では, 長期間の地球観測埋設により, 地表面特性の持続により, サブグリッドの離脱が体系的に構成される場合の, 短時間の気象下降を支援できることを示す。 これは、長期間の地球観測埋没が短期の気象下降を支援できるという最初の証拠である。
• 参考スコア（独自算出の注目度）: 14.492671039193729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global weather reanalyses and forecasts resolve the evolving atmospheric state on coarse grids, but site-specific applications require predictions at arbitrary locations where near-surface conditions also depend on unresolved terrain and land-surface properties. Existing probabilistic downscalers address this gap using hand-crafted topographic descriptors. We ask instead whether Earth observation foundation models can provide transferable sub-grid surface representations for probabilistic weather downscaling. We augment a convolutional conditional neural process that downscales coarse ERA5 reanalysis fields at ~25 km resolution with a learned local surface descriptor, obtained by compressing a patch of TESSERA embeddings at 10 m resolution. Although these embeddings summarise surface conditions over annual timescales, they improve downscaling of instantaneous 2 m temperature and 10 m wind speed by encoding persistent surface properties that capture a location's departure from the coarse-grid atmospheric state. Across five climatically diverse regions, the embedding improves point and probabilistic skill at stations held out in both space and time, overall improving CRPS skill by 11.5% for 2 m temperature and 6.2% for 10 m wind speed. We further analyse how its contribution differs by variable, finding that topography explains more of temperature's sub-grid structure, while TESSERA provides additional surface information for wind speed. These improvements persist when the coarse input is changed from ERA5 to forecasts from the Aurora AI forecasting model, and when predicting at newly deployed stations with no regional history. To our knowledge, this is the first evidence that long-timescale Earth-observation embeddings can support short-timescale weather downscaling where sub-grid departures are systematically structured by persistent surface properties.
• Abstract（参考訳）: 地球規模の気象分析と予測は、粗いグリッド上での大気の状態の進化を解消するが、サイト固有の応用は、地表に近い条件が未解決の地形や陸地の性質にも依存する任意の場所での予測を必要とする。 既存の確率的なダウンスケーラは手作りの地形記述子を使ってこのギャップに対処する。 代わりに、地球観測基盤モデルが、確率的気象下降のために転送可能なサブグリッド表面表現を提供できるかどうかを問う。 10mの解像度でTESSERA埋め込みのパッチを圧縮して得られた局所表面記述子を用いて、粗いERA5再解析フィールドを約25kmの解像度でダウンスケールする畳み込み条件ニューラルネットワークプロセスを強化する。 これらの埋め込みは、年2回の時間スケールで表面条件を要約するが、粗い乾燥状態から離れた位置を捉えた持続的な表面特性を符号化することにより、瞬時に2mの温度と10mの風速のダウンスケーリングを改善する。 気候的に多様である5つの地域において、埋め込みは空間と時間の両方で保持されるステーションの点数と確率的スキルを改善し、CRPSのスキルは2m温度で11.5%、風速で6.2%向上する。 さらに,TESSERAが風速に付加的な表面情報を提供するのに対して,地形が温度のサブグリッド構造をより説明してくれることから,その寄与が変数によってどのように異なるかを分析する。 これらの改善は、粗い入力がERA5からオーロラAI予測モデルから予測に変更され、地域の歴史のない新しく配備されたステーションで予測されるときに継続する。 我々の知る限り、これは、長期間の地球観測の埋め込みが、地表面の持続的な性質によってサブグリッドの出発が体系的に構造化されるような、短期的な気象下降を支援する最初の証拠である。

関連論文リスト

• WeatherNext 3: Increasing resolution and performance of global weather models with raw observations [7.982370087946237]
  最先端のAI天気モデルでは、中距離予測スキルと計算効率が目覚ましい。 WeatherNext 3はこれらの欠点に対処し、確率的中距離予測技術のための新しい最先端技術を確立する。 まず、WeatherNext 3は低遅延静止衛星データを取り込み、毎時新しい予測を生成する。 第二に、WeatherNext 3の時間分解能と空間分解能は物理に基づくグローバルモデルと同等である。
  論文  参考訳（メタデータ） (2026-09-03T09:30:21Z)
• 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)
• Exploring Convolutional Neural Processes for Weather Downscaling [0.0]
  ERA5-Landのような地球規模の再分析製品は、空間的に完全な気象場を提供するが、局所的な応用には大きすぎる。 本研究は,1日あたりの最大温度を1kmのERA5格子から1kmのスイス上空まで統計的にダウンスケーリングするための畳み込み条件 (ConvCNPs) について検討する。
  論文  参考訳（メタデータ） (2026-07-05T09:24:18Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Partial recovery of meter-scale surface weather [4.903961907292919]
  地表付近の大気条件は、土地被覆と地形のため、数十から数百メートルで大きく異なることがある。 このようなメートルスケールの変動がカオス力学を無作為に反映するか、表面特性や大規模大気の強制力から予測可能な成分を含むかは定かではない。 我々は,既存の観測結果から,メートルスケール近地気象の物理的に整合性のある成分が統計的に回収可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-26T16:11:53Z)
• PeakWeather: MeteoSwiss Weather Station Measurements for Spatiotemporal Deep Learning [19.620793566349185]
  PeakWeatherを紹介します。これは8年以上にわたって10分毎に収集された、高品質な表面気象観測データセットです。 データセットには、スイスの複雑な地形に分布する302のステーション位置から、さまざまな気象変数が含まれている。 PeakWeatherは、基礎的な機械学習研究、気象学、センサーベースのアプリケーションの両方を前進させるために、現実世界のベンチマークとして機能する。
  論文  参考訳（メタデータ） (2025-06-16T16:16:42Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• 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)
• 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)
• 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。