論文の概要: AFDBench: A Reasoning-First AI Scientist for NationalWeather Service Forecast Discussions
- arxiv url: http://arxiv.org/abs/2608.24954v1
- Date: Tue, 25 Aug 2026 02:02:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.29078
- Title: AFDBench: A Reasoning-First AI Scientist for NationalWeather Service Forecast Discussions
- Title（参考訳）: AFDBench: National Weather Service Forecastの議論のための推論ファーストAIサイエンティスト
- Abstract要約: 大規模言語モデル (LLMs) は、高精度な気象テキストを生成する際に、数値を幻覚させる。
AFDBenchというAI気象学者は、構造化されたAI天気予報データを通して推論することで、専門的なエリア予測討論(AFD)を生成する。
- 参考スコア（独自算出の注目度）: 0.24629531282150877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) hallucinate numerical values when generating high-stakes meteorological text, posing risks for weather communication. We present AFDBench, an AI meteorologist that generates professional Area Forecast Discussions (AFDs) by reasoning through structured AI weather forecast data from Google's WeatherNext 2. We introduce AFDBench, the first benchmark for evaluating generative meteorological reasoning, comprising 7,732 expert written discussions from 13 National Weather Service (NWS) offices paired with real AI weather forecast inputs, and three complementary metrics: Met-Align (numerical accuracy), Style-Align (professional dialect adherence), and Input-Grounding (fidelity to source weather data). Zero-shot evaluations reveal that open-source LLMs achieve low Style-Align (~0.33) and moderate Input-Grounding (~0.88), failing to write in the professional NWS register or faithfully use their input data. We apply Group Relative Policy Optimization (GRPO) with domain-specific rewards targeting temperature accuracy, synoptic correctness, and format compliance. On 1,033 held-out samples from two unseen NWS offices, GRPO nearly doubles Style-Align from 0.318 to 0.619 and improves Input-Grounding from 0.881 to 0.940, demonstrating that reinforcement learning teaches a 7B-parameter model to write like a professional meteorologist and faithfully interpret AI weather data.
- Abstract（参考訳）: 大型言語モデル (LLMs) は、高度気象テキストを生成する際の数値を幻覚させ、気象通信のリスクを生じさせる。
AFDBenchは、GoogleのWeatherNext 2.0から構造化されたAI天気予報データを通じて推論することで、専門的なエリア予測討論(AFD)を生成するAI気象学者である。
AFDBenchは,13の国立気象サービス(NWS)オフィスから,実際のAI天気予報入力と組み合わせた7,732人の専門家による議論と,Met-Align(数値的精度),Style-Align(専門的方言順守),Input-Grounding(情報源天気データへの忠実度)の3つの相補的指標を作成した。
ゼロショット評価では、オープンソースのLLMは、プロのNWSレジスタに書き込まなかったり、その入力データを忠実に使用できなかったり、より低いスタイルアライン(~0.33)と中程度の入力グラウンド(~0.88)を実現している。
グループ相対政策最適化(GRPO)に、温度精度、相似的正当性、フォーマットコンプライアンスを目標とした、ドメイン固有の報酬を適用した。
2つの未確認のNWSオフィスの1,033サンプルでは、GRPOはStyle-Alignを0.318から0.619にほぼ倍増し、Input-Groundingを0.881から0.940に改善し、強化学習が7Bパラメータモデルに専門の気象学者のように書き、AI気象データを忠実に解釈することを実証している。
関連論文リスト
- A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity [0.0]
本研究は,中国重慶市の大気温度と相対湿度を予測する機械学習モデル7つを比較した。
XGBoostは、テスト平均絶対誤差(MAE)が0.302Cで、相対湿度が1.271%である。
論文 参考訳（メタデータ） (2026-03-24T14:47:52Z) - Zephyrus: An Agentic Framework for Weather Science [47.611521052984365]
気象学の基礎モデルは、大量の構造化された数値データと従来の天気予報システムより優れた性能で事前訓練されている。
大規模言語モデル(LLM)は、テキストの理解と生成に優れるが、高次元の気象データセットを推論することはできない。
気象学の新しいエージェント・フレームワークを構築することで、このギャップを埋める。
我々は、気象データセットを反復的に分析し、結果を観察し、会話フィードバックループを通じてアプローチを洗練するマルチターンLCMベースの気象エージェントであるZephyrusを設計する。
論文 参考訳（メタデータ） (2025-10-05T03:34:08Z) - OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。
RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
論文 参考訳（メタデータ） (2024-12-24T07:46:50Z) - 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) - Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。
FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
論文 参考訳（メタデータ） (2024-03-27T12:01:51Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - 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) - Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for
Meteorological Forecasting Based on Real-Time Observation Data from Ground
Weather Stations [9.061222268562249]
本稿では,新しいベンチマークデータセットであるWeather2Kを提案する。
リアルタイム、信頼性、多様性の観点から、既存の天気予報データセットの欠陥を補うことを目的としている。
データは、600万平方キロメートルの面積をカバーする2,130の地上気象観測所から収集された。
論文 参考訳（メタデータ） (2023-02-21T07:46:08Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。