論文の概要: Pushing the Limits of High-Resolution Weather Forecasting through Data Scaling
- arxiv url: http://arxiv.org/abs/2608.14652v1
- Date: Fri, 31 Jul 2026 03:43:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.943813
- Title: Pushing the Limits of High-Resolution Weather Forecasting through Data Scaling
- Title（参考訳）: データスケーリングによる高分解能気象予報の限界を押し上げる
- Abstract要約: BaguanHRは、モデルを転送からデータ転送に移行するフレームワークである。
我々の結果は、高解像度MLベースの予測は、主にデータボトルネックであることを示した。
- 参考スコア（独自算出の注目度）: 16.327450505819286
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The development of 0.1$^{\circ}$ global weather forecasting models based on machine learning (ML) is constrained by the limited availability of high-resolution data, as decades of reanalysis are only available at 0.25$^{\circ}$ resolution. While existing approaches fine-tune 0.25$^{\circ}$ forecast models on limited 0.1$^{\circ}$ samples, we show that this transfer is hindered by the irreversible information loss inherent in coarse-resolution forecasting. Therefore, we propose BaguanHR, a framework that shifts the focus from transferring models to transferring data. We first show that super-resolution (SR) has lower conditional entropy and input amplification than forecasting, making it a more robust vehicle for resolution transfer. By leveraging this advantage through variable-wise SR, we synthesize extensive 0.1$^{\circ}$ data from ERA5. BaguanHR's performance on the synthetic-plus-real dataset exceeds both ML-based methods and IFS-HRES, achieving superior performance across over 85% of the lead times within 72 hours. Furthermore, our findings highlight a power-law scaling effect, as a twofold increase in data reduces RMSE by 4.6% for 72-hour forecasting and 4.9% for 120-hour forecasting. Our results demonstrate that scaling high resolution ML-based forecasting is primarily a data bottleneck, and that variable-wise super-resolution provides a simple yet general solution to unlock long coarse-resolution reanalyses for high-resolution training.
- Abstract（参考訳）: 0.1$^{\circ}$グローバル天気予報モデルの開発は、高解像度データの可用性の制限により制約されている。
既存手法では、0.1$^{\circ}$サンプルの予測モデルに精巧な0.25$^{\circ}$予測モデルがあるが、この変換は、粗い解像度予測に固有の不可逆的な情報損失によって妨げられていることを示す。
そこで本研究では,モデル転送からデータ転送へ焦点を移すフレームワークであるBaguanHRを提案する。
まず、超解像(SR)は予測よりも条件エントロピーと入力増幅が低く、解像伝達の堅牢性が高いことを示す。
この利点を変数ワイズSRにより活用することにより、ERA5から0.1$^{\circ}$データを合成する。
BaguanHRの合成プラスリアルデータセットのパフォーマンスは、MLベースの方法とIFS-HRESの両方を超え、72時間以内にリードタイムの85%以上にわたって優れたパフォーマンスを達成している。
さらに,72時間予測ではRMSEが4.6%増加し,120時間予測では4.9%減少するなど,ゆるいスケーリング効果が示された。
以上の結果から,高分解能MLに基づく予測のスケーリングはデータボトルネックであり,高分解能トレーニングのための長大な高分解能リアナリシスを解き放つための,変数ワイズ超解法が単純かつ汎用的なソリューションであることが示された。
関連論文リスト
- Condensing Large-Scale Datasets Directly with Minimal Information Loss [34.43216741538152]
CIMは、欠陥のあるデュアル圧縮パラダイムを捨てた、新しい、メトリック駆動のフレームワークである。
CIMは、元のデータセットと合成データセットの間の情報ギャップを明示的に定量化し、最小化する。
論文 参考訳（メタデータ） (2026-07-01T13:21:44Z) - SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。
生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
論文 参考訳（メタデータ） (2026-05-15T16:42:45Z) - Scaling Laws of Global Weather Models [57.27583619011988]
本稿では,モデル性能(検証損失)とモデルサイズ,データセットサイズ,計算予算の3つの主要な要因について検討する。
様々なモデルにおいて、Auroraは最も強力なデータスケーリングの挙動を示す。
我々の計算-最適分析は、固定された計算予算の下で、長いトレーニング期間にリソースを割り当てると、モデルサイズの増加よりもパフォーマンスが向上することを示している。
論文 参考訳（メタデータ） (2026-02-26T12:57:38Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Value-Based Deep RL Scales Predictably [100.21834069400023]
本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。
SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:59:47Z) - Enhancing operational wind downscaling capabilities over Canada: Application of a Conditional Wasserstein GAN methodology [0.7329200485567827]
風下スケーリングは天気予報の空間分解能を改善するために不可欠である。
本研究は,DownGANフレームワークの拡張による風下スケーリングを推し進める。
風下スケール精度の大幅な向上を実現し,本手法の運用スケーラビリティを実証する。
論文 参考訳（メタデータ） (2024-12-09T20:05:07Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - FuXi: A cascade machine learning forecasting system for 15-day global
weather forecast [34.812266901884996]
FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。
FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
論文 参考訳（メタデータ） (2023-06-22T13:34:26Z) - SwinRDM: Integrate SwinRNN with Diffusion Model towards High-Resolution
and High-Quality Weather Forecasting [18.464408838231957]
我々はSwinRNNの改良版と拡散モデルを統合するデータ駆動モデルSwinRDMを開発した。
SwinRDMは0.25度の解像度で予測を行い、IFSよりも優れた予測精度を達成する。
論文 参考訳（メタデータ） (2023-06-05T05:11:03Z) - 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) - Improving Generalization via Uncertainty Driven Perturbations [107.45752065285821]
トレーニングデータポイントの不確実性による摂動について考察する。
損失駆動摂動とは異なり、不確実性誘導摂動は決定境界を越えてはならない。
線形モデルにおいて,UDPがロバスト性マージン決定を達成することが保証されていることを示す。
論文 参考訳（メタデータ） (2022-02-11T16:22:08Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z)
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。