論文の概要: Learning Continuous Regional Temperature Fields with Lead-Time and Resolution Queries

• arxiv url: http://arxiv.org/abs/2608.25823v1
• Date: Wed, 26 Aug 2026 14:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.853481
• Title: Learning Continuous Regional Temperature Fields with Lead-Time and Resolution Queries
• Title（参考訳）: リードタイムおよびレゾリューションクエリによる連続的地域温度場の学習
• Abstract要約: 地表面温度予測のための連続時空間温度予測器(CSTF)を開発した。 CSTFは多変量ERA5ヒストリーを潜在気象状態にエンコードし、T2Mを座標系としてデコードする。 フレキシブルフィールドクエリ間のコヒーレンスを維持するために,空間勾配,時間差,スケール一貫性を設計する。
• 参考スコア（独自算出の注目度）: 9.75534661533816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate regional near-surface temperature forecasting is fundamental to short-range weather services and downstream risk assessment. Existing deep learning-based regional forecasters commonly produce a fixed set of future frames on a prescribed grid, limiting their use when forecast products must be evaluated at query-dependent lead times or display resolutions. To overcome these fixed-output constraints, we formulate regional T2M forecasting as query-conditioned continuous spatiotemporal temperature field evaluation and propose the Continuous Spatiotemporal Temperature Forecaster (CSTF), a neural field that turns forecast lead time and output resolution into explicit queries when evaluating 2-m temperature (T2M). Specifically, CSTF first encodes multivariable ERA5 histories into latent meteorological states and then decodes T2M as a coordinate-based field. Accordingly, spatial location, forecast lead time, and output resolution are introduced as queries, enabling standard hourly forecasts, intermediate lead-time diagnostics, and resolution-controllable outputs within a unified field-evaluation framework. Furthermore, to maintain coherence across flexible field queries, we design spatial-gradient, temporal-difference, and scale-consistency objectives that regularize regional thermal structures, lead-wise evolution, and cross-resolution agreement. Experiments on the Southeast China 0-6 h ERA5-Land benchmark demonstrate that CSTF achieves the best aggregate deterministic skill, including a 17.0 percent reduction in Bias, with global-scope diagnostics further illustrating flexible lead-time and resolution-controllable inference.
• Abstract（参考訳）: 正確な地域の近地温度予測は、短距離気象サービスと下流のリスク評価に不可欠である。 既存のディープラーニングベースの地域予測器は、通常、所定のグリッド上に固定された将来のフレームを生成し、クエリ依存のリードタイムや表示解像度で予測製品を評価する必要がある場合に、その使用を制限する。 これらの固定出力制約を克服するために、クエリ条件付き連続時空間温度場評価として地域T2M予測を定式化し、2m温度(T2M)を評価する際に、予測リード時間と出力解像度を明示的なクエリに変換するニューラルネットワークである連続時空間温度予測器(CSTF)を提案する。 具体的には、CSTFはまず多変量ERA5ヒストリーを潜在気象状態にエンコードし、T2Mを座標系としてデコードする。 そこで,空間的位置,予測リード時間,出力分解能をクエリとして導入し,標準時間予測,中間リードタイム診断,分解能制御可能な出力を統一フィールド評価フレームワーク内で実現する。 さらに, フレキシブルフィールドクエリ間のコヒーレンスを維持するために, 地域熱構造, リードワイド進化, クロスレゾリューション合意を規則化する空間勾配, 時間差, スケール一貫性の目標を設計する。 東南アジアの0-6 h ERA5-Landベンチマークの実験では、CSTFはバイアスの17.0パーセント削減や、柔軟な鉛時間と分解性制御可能な推論の解明など、最高の総合的決定論的スキルを達成している。

関連論文リスト

• Exploring Convolutional Neural Processes for Weather Downscaling [0.0]
  ERA5-Landのような地球規模の再分析製品は、空間的に完全な気象場を提供するが、局所的な応用には大きすぎる。 本研究は,1日あたりの最大温度を1kmのERA5格子から1kmのスイス上空まで統計的にダウンスケーリングするための畳み込み条件 (ConvCNPs) について検討する。
  論文  参考訳（メタデータ） (2026-07-05T09:24:18Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• 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)
• 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)
• A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features [3.0294044944521694]
  本研究では,日頭熱需要予測のための新しいディープラーニングフレームワークを提案する。 連続ウェーブレット変換を需要および外部気象要因に適用することにより、畳み込みニューラルネットワークが階層的時間的特徴を学習することを可能にする。 その結果,平均絶対誤差は最強のベースラインに比べて36%から43%減少した。
  論文  参考訳（メタデータ） (2026-03-01T14:40:13Z)
• Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region [3.7957889222222208]
  北ヨーロッパのコッペン・ガイガー地域における急激な変化と気候変動の増加は、適応のための重要なニーズを生み出している。 本研究では,Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), Spatiotemporal Transformer with Attention and Im Balance-Aware Network (GeoStaNet)モデルを組み込んだ統合ダウンスケーリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T17:08:32Z)
• 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)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。