論文の概要: Tracing the Unlabeled Storm: Cross-Variable Transfer in a Lagrangian Atmospheric JEPA Framework
- arxiv url: http://arxiv.org/abs/2608.22358v1
- Date: Sun, 23 Aug 2026 10:50:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.729614
- Title: Tracing the Unlabeled Storm: Cross-Variable Transfer in a Lagrangian Atmospheric JEPA Framework
- Title（参考訳）: ラベルのない嵐の追跡:ラグランジアン大気JEPAフレームワークにおける異変移動
- Abstract要約: 深層大気の対流は南アジアモンスーンの変動を支配している。
しかし、無膨らんだ重い尾の降水から直接潜在世界モデルを学習しようとすると、最適以下の予測表現が得られる。
このミスマッチに,Emphcross-variable proxy learningを用いて対処する。
- 参考スコア（独自算出の注目度）: 2.887393074590696
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep atmospheric convection governs South Asian monsoon variability, yet attempting to learn its latent world model directly from zero-inflated, heavy-tailed precipitation yields suboptimal predictive representations. Continuous atmospheric proxies, such as outgoing longwave radiation (OLR), express this convective organization far more coherently. We address this mismatch with \emph{cross-variable proxy learning}: M-JEPA, a multiscale Monsoon Joint-Embedding Predictive Architecture, is pretrained on five continuous proxy fields over Lagrangian patches tracking moving convective systems---without rainfall supervision at any point. The resulting frozen representation is transferred to daily precipitation forecasts through a shared decoder trunk featuring parallel probabilistic and deterministic branches. Because rainfall is strictly unobserved during pretraining, downstream skill directly measures the predictive information captured in the latent rollout. A frozen-backbone probing framework with two controls (an identical architecture trained on rainfall alone, and a randomly initialized backbone) attributes the transfer specifically to proxy pretraining: direct rainfall training exhibits $36\%$ higher CRPS error ($7.52$ vs.\ $5.54$\,mm/day). Against the 51-member operational ECMWF ensemble, the transferred model attains a statistically resolved CRPS advantage ($6.81$ vs.\ $6.89$\,mm/day) and higher Brier skill ($+0.05$ vs.\ $-0.04$) using $15.4$M parameters on a single consumer GPU, concentrated at heavy-rain thresholds and fine spatial scales, while the ensemble retains an advantage in neighborhood skill and deterministic references on point metrics. The result provides a competitive monsoon precipitation forecast grounded in intraseasonal dynamics and a diagnostic framework for evaluating transferred atmospheric representations.
- Abstract（参考訳）: 深層大気の対流は南アジアモンスーンの変動を支配しているが、無膨らんだ重尾の降水から潜伏した世界モデルを直接学ぼうとすると、最適な予測表現が得られる。
長波放射(OLR)のような連続的な大気プロキシは、この対流組織をよりしっかりと表現している。
マルチスケールのモンスーン合同埋め込み予測アーキテクチャであるM-JEPAは、ラグランジアンパッチ上の5つの連続プロキシフィールドで事前訓練されており、あらゆる点において降雨監視を伴わない。
その結果、凍結表現は、並列確率と決定論的分岐を特徴とする共有デコーダトランクを介して、毎日の降水予測に転送される。
降雨は事前訓練中に厳密に観測されないため、下流のスキルは潜伏中のロールアウトで捉えた予測情報を直接測定する。
2つのコントロール(降雨単独でトレーニングされた同じアーキテクチャとランダムに初期化されたバックボーン)を備えた凍結したバックボーン探索フレームワークは、プロキシ事前トレーニングに特化している。
5.54$\,mm/day)。
51名のECMWFアンサンブルに対して、転送されたモデルは統計的に解決されたCRPSの利点(6.81ドル対)を達成した。
6.89$\,mm/day)と高いブライアスキル(+0.05ドル対)。
1つのコンシューマGPU上で15.4$Mのパラメータを使用する$-0.04$) は、重い領域のしきい値と細かな空間スケールに集中する一方、アンサンブルは、近隣のスキルとポイントメトリクスの決定論的参照に優位性を保持する。
その結果, 季節内動態に基づくモンスーン降水量の予測と, 移動した大気表現を評価するための診断枠組みが得られた。
関連論文リスト
- TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。
本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。
TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
論文 参考訳（メタデータ） (2026-07-14T07:36:19Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - Enhancing the Forecasting Capability of Multi-Model Blending Algorithms for Extreme Precipitation via Joint Use of Station and Gridded Observations [10.058122938830389]
従来の降水多モデルブレンディングアルゴリズムは、重みに基づいて予測フィールド上でピクセル・バイ・ピクセルブレンディングを行う。
本研究では,6つの主要なNWPモデルからの予測をブレンドするために,確率分類と値再構成という2段階の枠組みを提案する。
中国2411の気象観測所からの観測を損失関数に組み込むことにより, 新たな局間共同監視機構を導入する。
論文 参考訳（メタデータ） (2026-07-06T09:35:58Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Performance Evaluation of GraphCast for Medium-Range Weather Forecasting over Brazil [0.7734726150561088]
本研究は, 決定論的ECMWF IFS HRESに対するGraphCastオペレーティングの性能を評価する。
豪華な夏の湿潤期には、GraphCastは高周波対流変動を本質的に抑えながら、大規模な水分輸送を正確に捉えている。
これらの発見はブラジルの基準を確立し、将来の熱帯化の取り組みを導く具体的な物理的な境界を定義する。
論文 参考訳（メタデータ） (2026-06-04T16:19:29Z) - 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) - IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting [2.405586180193259]
気象レーダー観測による対流降雨の短距離予測は、厳しい気象警報に不可欠である。
本稿では, 入力, アーキテクチャ, 損失関数レベルにおいて, 気象インフォームド設計による制限に対処する決定論的0-2時間放送フレームワークIMPA-Netを提案する。
論文 参考訳（メタデータ） (2026-04-27T09:30:07Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite [22.99496587694237]
熱帯性サイクロンのタイムリーなモニタリングは、生命と財産の損失を減らすために重要である。
現在の物理誘導モデルは、TC属性間の高次関係を捕捉できない線形特徴相互作用に悩まされている。
本研究では,KAN-FIF(Kolmogorov-Arnold Network-based Network-based Interaction Feature Framework)を紹介する。
論文 参考訳（メタデータ） (2026-02-12T16:07:39Z) - CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。
アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。
トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
論文 参考訳（メタデータ） (2025-10-23T17:43:38Z) - 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)
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。