Fugu-MT 論文翻訳(概要): Bridging short- and medium-range weather forecasting with machine learning

論文の概要: Bridging short- and medium-range weather forecasting with machine learning

arxiv url: http://arxiv.org/abs/2608.26822v1
Date: Thu, 27 Aug 2026 09:01:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.318577
Title: Bridging short- and medium-range weather forecasting with machine learning
Title（参考訳）: 機械学習による短距離・中距離天気予報のブリッジ化
Abstract要約: Nested-EAGLE: 大陸性アメリカ合衆国(CONUS)を6kmの高度で改良した0.25地球規模の気象モデルについて紹介する。このモデルは、平均二乗誤差をCONUSよりもかなり低い表面および低レベルの量で達成する。本研究では,高分解能な地域分析データをトレーニングに取り入れることによって,表面近傍の分野のスキル向上がもたらされることを示す。
参考スコア（独自算出の注目度）: 0.3029402867368034
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The National Oceanic and Atmospheric Administration (NOAA) employs independent prediction systems for distinct forecast products. While some separation is practical, we argue that combining short- and medium-range weather into a single prediction system would provide the public with a useful distillation of global weather and its impacts. To this end, we present Nested-EAGLE (Experimental Artificial intelligence Global and Limited-area Ensemble): a 0.25° global weather model with a 6 km refinement over the Contiguous United States (CONUS). The model achieves significantly lower mean-squared error in near-surface and low-level quantities over CONUS compared to NOAA's Global Forecast System and High-Resolution Rapid Refresh (HRRR), while remaining competitive throughout the rest of the global atmosphere. We show that the skill gains for near-surface fields stem from incorporating high-resolution regional analysis data into training through the nesting process. Forecasts of precipitation amounts are less skillful than those from HRRR, owing to deterministic training. However, we show that Nested-EAGLE provides the most accurate forecasts of storm locations at longer leads, despite blurred extrema. Our results motivate future work to extend the skill gains beyond CONUS and improve precipitation representation.
Abstract（参考訳）: 海洋大気庁(NOAA)は、異なる予測製品に独立した予測システムを採用している。いくつかの分離は実用的であるが、短距離と中距離の気象を単一の予測システムに組み合わせることで、地球規模の気象とその影響の蒸留に役立つと我々は論じている。この目的のために、米国大陸(CONUS)を6kmの高度で改良した地球規模の気象モデルNested-EAGLE(Experimental Artificial Intelligence Global and Limited-Area Ensemble: 0.25°)を提示する。このモデルは、NOAAのGlobal Forecast SystemとHigh-Resolution Rapid Refresh (HRRR)と比較して、平均二乗誤差を平均二乗誤差と低準誤差でかなり低くし、地球大気の残りの部分で競争力を維持している。本研究は,高分解能な局所解析データをネスティングプロセスに組み込むことにより,表面近傍の分野のスキル向上を図ったものである。降水量の予測は、決定論的トレーニングのため、HRRRの予測よりも熟練していない。しかし、Nested-EAGLEは、ぼやけたエクストリームにもかかわらず、より長いリードで、最も正確なストーム位置の予測を提供する。本研究は,CONUSを超えてスキル向上を拡大し,降水表現を改善するための今後の取り組みを動機づけるものである。

関連論文リスト

High-resolution Calibrated Probabilistic Hourly Precipitation from a Deterministic Forecast [0.0]
本手法は,2つのガンマ分布の重み付け混合物から無降水確率と正降水分布を予測した。ニューラルネットワークは、気象会社の対流パーミットGRAFモデルによる数値気象予測(NWP)時の降水量のパッチに基づいて訓練される。ネットワークは、モデルグリッドポイント毎に分布パラメータを出力する。
論文参考訳（メタデータ） (2026-08-13T01:03:52Z)
AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion [1.0745467668389186]
大気超解法の基礎モデルであるAirCast-SRを導入し,時空間分解能において地球規模のAI天気予報を0.25度(28km)から1km水平分解能にダウンスケールし,同時に8つの結合曲面変数の67時間予測を生成する。冬季, 夏季, 春季の3つのConUSケーススタディを対象に, EarthMind-SR を検証し, トレーニングや微調整を行なわずに, 独立した地上局観測を用いてインドとドイツにゼロショットのグローバルトランスファー可能性を実証した。オープンウェイトの基礎モデルとして、EarthMind-SRは、キロスケールのAI天気予報と予測のための新しいパラダイムを確立する。
論文参考訳（メタデータ） (2026-05-20T07:29:00Z)
SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
論文参考訳（メタデータ） (2026-05-15T16:42:45Z)
An Operational Deep Learning System for Satellite-Based High-Resolution Global Nowcasting [9.23443504868893]
従来の数値気象予測手法は、レイテンシが高く、空間分解能が低く、時間分解能が低い。近年、グローバル・ノースでよく見られる機械学習による現在放送手法は、レーダーが極端に少ないため、グローバル・サウスまで拡張することはできない。我々はGlobal MetNetについて紹介する。
論文参考訳（メタデータ） (2025-10-15T00:11:03Z)
MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
論文参考訳（メタデータ） (2025-09-02T01:51:40Z)
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)
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)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
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)

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。