論文の概要: GenONet: A Generative operator Network for High-Resolution Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2609.00544v1
- Date: Tue, 01 Sep 2026 01:30:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.183293
- Title: GenONet: A Generative operator Network for High-Resolution Precipitation Nowcasting
- Title（参考訳）: GenONet: 高分解能降雨予報用ジェネレータネットワーク
- Abstract要約: 高分解能降水流は、厳しい天候の影響を軽減するために重要であるが、急激な嵐の進化のために依然として困難である。
ディープラーニングモデルは、このタスクに非常に有望であるが、予測スキルは、長い予測地平線よりも劣化することが多い。
GenONetは3時間以内の長距離降雨を予測できる新しいアーキテクチャで、特にシャープで物理的に一貫した結果を生成するように設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution precipitation nowcasting is critical for reducing the impacts of severe weather but remains difficult because of rapid storm evolution. Deep learning models have shown great promise for this task, but their predictive skill often deteriorates over longer forecast horizons. This leads to increasingly blurry forecasts that fail to capture the complex, non-linear evolution of storm systems. In order to address these limitations, we introduce Spatio-Temporal U-DeepONet (GenONet), a novel architecture for long-range precipitation forecasting up to 3 hours, specifically designed to produce sharp and physically consistent results. GenONet's architecture pioneers the use of a Deep Operator Network (DeepONet) as a generator within a Generative Adversarial Network (GAN) framework for this task. The DeepONet learns the continuous-time dynamics of precipitation, ensuring stability over long forecast horizons. Adversial training against a spatio-temporal discriminator compels the model to produce sharp, coherent forecasts, while a physics-informed loss regularizer, derived from the Moisture Conservation Equation, improves physical plausibility in our ablation setting. Quantitative evaluations show that our model achieves consistently higher scores on most of the metrics, especially for highintensity events and at longer lead times. Qualitatively, GenONet produces structurally coherent forecasts that maintain their integrity, whereas baseline models degrade into indistinct patterns. Finally, an ablation study confirms the benefit of this physics-informed loss, highlighting the strength of combining operator learning with adversarial training.
- Abstract（参考訳）: 高分解能降水流は、厳しい天候の影響を軽減するために重要であるが、急激な嵐の進化のために依然として困難である。
ディープラーニングモデルは、このタスクに非常に有望であるが、予測スキルは、長い予測地平線よりも劣化することが多い。
これは、嵐システムの複雑で非線形な進化を捉えない、ますますぼやけた予測につながる。
これらの制約に対処するため,特にシャープで物理的に一貫した結果を生み出すように設計された,長距離降水量予測の新しいアーキテクチャであるSpatio-Temporal U-DeepONet(GenONet)を紹介した。
GenONetのアーキテクチャは、このタスクのためにGenerative Adversarial Network(GAN)フレームワーク内のジェネレータとしてDeep Operator Network(DeepONet)の使用を開拓した。
DeepONetは、降水の連続的な時間的ダイナミクスを学び、長期予測地平線上での安定性を確保する。
時空間判別器に対する逆トレーニングは、シャープでコヒーレントな予測を生成するためにモデルを補完するが、物理インフォームド損失正規化器(Moisture Conservation Equation)は、当社のアブレーション設定における物理的妥当性を向上させる。
定量的評価により、我々のモデルは、特に高強度イベントやより長いリードタイムにおいて、ほとんどの指標において一貫して高いスコアを達成していることが示された。
定性的には、GenONetはその整合性を維持する構造的に一貫性のある予測を生成するが、ベースラインモデルは不明瞭なパターンに分解する。
最後に、アブレーション研究により、この物理学的インフォームド・ロスの利点が確認され、演算子学習と逆行訓練の組み合わせの強さが強調された。
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) - Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。
WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。
我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文 参考訳（メタデータ） (2025-12-09T17:20:56Z) - Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。
電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。
このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
論文 参考訳（メタデータ） (2025-11-24T19:44:46Z) - Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。
本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。
新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
論文 参考訳（メタデータ） (2025-10-03T05:18:47Z) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - Multi-Source Temporal Attention Network for Precipitation Nowcasting [4.726419619132143]
降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。
降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
論文 参考訳（メタデータ） (2024-10-11T09:09:07Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。
我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文 参考訳（メタデータ） (2022-10-22T17:21:16Z) - Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。
実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。
提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文 参考訳（メタデータ） (2022-01-31T18:16:03Z)
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。