論文の概要: Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting

• arxiv url: http://arxiv.org/abs/2608.18500v1
• Date: Wed, 19 Aug 2026 03:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.269926
• Title: Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting
• Title（参考訳）: Tianmu-TC:グローバル熱帯サイクロン予測のための生成人工知能の物理制約
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.425396436098474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tropical cyclones (TCs) pose severe risks from strong winds and heavy rainfall. However, forecasting their track and intensity remains challenging due to chaotic atmosphere and the rapid amplification of initial condition errors, leading to growing forecast uncertainty. While numerical weather prediction (NWP) and deep learning models have made progress, they remain computationally demanding and often fail under complex meteorological scenarios. Here, we present Tianmu-TC, a physics-constraints generative framework for global TC forecasting. Trained on Western North Pacific data, Tianmu-TC leverages physics-constraints to generate controllable outputs with reduced uncertainty thus improving forecast reliability. Experiments show Tianmu-TC outperforms deterministic and ensemble meteorological artificial intelligence models and authoritative NWP systems such as ECMWF in global ocean basins, with significantly lower computational cost. We further show Tianmu-TC performs well in challenging scenarios such as data sparsity, anomaly tracks, rapid intensification and weakening. These findings suggest physics-constraints generative AI offers a promising approach for reliable, efficient global TC forecasting.
• Abstract（参考訳）: 熱帯低気圧 (TCs) は強風や豪雨による深刻なリスクを引き起こす。 しかし、その軌道と強度の予測は、カオス的な雰囲気と初期条件誤差の急速な増幅により依然として困難であり、予測の不確実性が増大する。 数値気象予測(NWP)とディープラーニングモデルは進歩しているが、計算的に要求され、複雑な気象シナリオの下で失敗することが多い。 本稿では,地球規模のTC予測のための物理制約生成フレームワークであるTianmu-TCを紹介する。 西北太平洋のデータに基づいて、天武-TCは物理制約を利用して不確実性を低減した制御可能な出力を生成し、予測信頼性を向上させる。 実験により、天武-TCは決定論的およびアンサンブルの気象人工知能モデルと、大洋流域におけるECMWFのような権威的なNWPシステムに優れており、計算コストは大幅に低下している。 さらに、Tianmu-TCは、データスパーシリティ、異常トラック、急速な強化、弱体化といった挑戦的なシナリオでよく機能することを示す。 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。

関連論文リスト

• 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)
• Enhancing AI-Based Tropical Cyclone Track and Intensity Forecasting via Systematic Bias Correction [10.587035638034767]
  熱帯低気圧は、熱帯・亜熱帯地域の生活、インフラ、経済に深刻な脅威をもたらす。 AIベースの天気予報の最近の進歩は、トラック予測を改善することを約束している。 2つの重要なイノベーションを統合する新しい統一フレームワークであるBaguanCycloneを提案する。
  論文  参考訳（メタデータ） (2026-03-20T03:25:03Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Revealing the Potential of Learnable Perturbation Ensemble Forecast Model for Tropical Cyclone Prediction [25.31894574399668]
  熱帯サイクロン(TC)は、非常に破壊的で本質的に不確実な気象システムである。 FuXi-ENSは、アンサンブル生成のための学習可能な摂動方式を導入している。 2018年に全90のグローバルTCでFuXi-ENSとECMWF-ENSを比較した。
  論文  参考訳（メタデータ） (2025-10-27T19:27:04Z)
• Accurate typhoon intensity forecasts using a non-iterative spatiotemporal transformer model [3.468838035344738]
  熱帯サイクロン(TC)強度の正確な予測は、運用気象学の課題である。 機械学習の最近の進歩は、TC予測の顕著な進歩をもたらした。 本稿では,非定常5日間の強度軌跡を生成するトランスフォーマーに基づく予測モデルNetを紹介する。
  論文  参考訳（メタデータ） (2025-09-18T20:50:17Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• 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)
• 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)
• Identifying Distributional Differences in Convective Evolution Prior to Rapid Intensification in Tropical Cyclones [4.925967492198013]
  熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。 これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。 ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
  論文  参考訳（メタデータ） (2021-09-24T15:33:29Z)

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。