論文の概要: Frequency-aware forecasting for short-term typhoon gust prediction

• arxiv url: http://arxiv.org/abs/2608.25604v1
• Date: Wed, 26 Aug 2026 10:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.729481
• Title: Frequency-aware forecasting for short-term typhoon gust prediction
• Title（参考訳）: 短時間の台風ガスト予測のための周波数認識予測
• Authors: Xuefei Wang, Tingyi Liu, Heng Zhang, Shengjun Zhang,
• Abstract要約: WDANetは、定常ウェーブレット分解、特徴量線形変調戦略、デュアルブランチエンコーダデコーダアーキテクチャを統合した周波数対応予測フレームワークである。 WDANetは、24時間予測の地平線を越えて実験的な設定下において、短いリードタイムの利点を示す。 極端な風のイベントの間、WDANetはガストピークをより正確に捉え、最高のRMSEおよびMAE性能を得る。
• 参考スコア（独自算出の注目度）: 10.21682932361673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate gust forecasting under typhoon conditions remains challenging due to the highly non-stationary and multi-scale characteristics of extreme wind fluctuations. Existing deep learning models often struggle to simultaneously capture long-term trends and rapid local variations, resulting in degraded performance during extreme events. We propose WDANet, a frequency-aware forecasting framework that integrates stationary wavelet decomposition, a Feature-wise Linear Modulation (FiLM) strategy, and a dual-branch encoder-decoder architecture, enabling separate modeling of trend and fluctuation components. Taking the offshore regions of the Western Pacific in China as an example, we conduct fine-grid wind gust prediction research. The results demonstrate that WDANet shows advantages for short lead times under the experimental setting across a 24-h forecasting horizon and achieves higher prediction accuracy than ECMWF-HRES within the first 6 h. During extreme wind events, WDANet more accurately captures gust peaks and attains the best RMSE and MAE performance. These results highlight its potential for offshore wind power operation, disaster warning, and risk mitigation.
• Abstract（参考訳）: 台風条件下での正確なガスト予測は, 強風変動の非定常的かつ多スケールな特性のため, 依然として困難である。 既存のディープラーニングモデルは、長期的なトレンドと迅速な局所的な変動を同時に捉えるのに苦労することが多く、極端なイベントの間にパフォーマンスが低下する。 WDANetは、定常ウェーブレット分解とFiLM(Feature-wise Linear Modulation)戦略とデュアルブランチエンコーダ・デコーダアーキテクチャを統合し、トレンドと変動成分のモデリングを可能にする。 例えば、中国西太平洋の沖合部を例に、風速予測の研究を行っている。 その結果、WDANetは、24時間予測地平線を横断する実験環境下での短いリードタイムの利点を示し、最初の6時間以内にECMWF-HRESよりも高い予測精度が得られることを示した。 極端な風のイベントの間、WDANetはガストピークをより正確に捉え、最高のRMSEおよびMAE性能を得る。 これらの結果は、オフショア風力発電、災害警報、リスク軽減の可能性を浮き彫りにしている。

関連論文リスト

• StormNet: Improving storm surge predictions with a GNN-based spatio-temporal offset forecasting model [0.19591672610801836]
  StormNetは、極端な気象イベントにおける嵐発生予測精度と信頼性を改善するためのグラフベースのフレームワークである。 また,48時間予測では70%以上,72時間予測では50%以上削減できる。 StormNetはトレーニング時間も低く、リアルタイムの運用予測システムへの適用性も向上している。
  論文  参考訳（メタデータ） (2026-04-22T15:36:19Z)
• 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)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• 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)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)

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。