Fugu-MT 論文翻訳(概要): TC-Next: Zero-Shot Multimodal Cyclone Forecasting

論文の概要: TC-Next: Zero-Shot Multimodal Cyclone Forecasting

arxiv url: http://arxiv.org/abs/2609.02085v1
Date: Wed, 02 Sep 2026 04:17:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.050054
Title: TC-Next: Zero-Shot Multimodal Cyclone Forecasting
Title（参考訳）: TC-Next:ゼロショットマルチモーダルサイクル予測
Authors: Zhe Wang, Sijie Chen, Yiming Luo, Daehyun Kim, Chien-Yi Chang,
Abstract要約: 熱帯性サイクロントラックと強度を6-24$hで予測するマルチモーダル深層学習モデルを提案する。訓練は、西太平洋(WP)でのGraphCastの予測に限られるが、一般的な大気変数にのみ依存する。 2025年WPシーズンのウェザーネクスト・サイクロンの一般的な気象分野にゼロショットを適用したTC-Nextは、決定論的比較において、そのモデルの特別なダイレクトトラッカーと比較して、リードタイム毎に低い強度誤差と低いまたは同等のトラックエラーを達成した。
参考スコア（独自算出の注目度）: 7.496730285110064
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present TropicalCycloneNext (TC-Next), a multimodal deep learning model that forecasts tropical cyclone track and intensity at $6$-$24$ h leads by leveraging a foundation model's forecast fields of atmospheric kinematic and thermodynamic fields and GridSat infrared satellite imagery. Trained only on GraphCast forecasts over the Western Pacific (WP), yet reliant only on generic atmospheric variables, TC-Next on GraphCast lowers track error by $15$-$44\%$ and intensity error by a factor of $3$-$6$ relative to a conventional, rule-based tracker, TempestExtremes; applied without retraining to the forecast fields of Pangu-Weather and IFS HRES, it stays ahead of TempestExtremes on both. Applied zero-shot to the generic weather fields of WeatherNext Cyclones on the 2025 WP season, TC-Next attains lower intensity error at every lead time, and lower or comparable track error, compared to that model's specialized direct tracker in a deterministic comparison. Our ablation studies show that our multimodal model is able to utilize the additional modality to improve performance in tracking errors at every lead time and in intensity prediction at longer lead times.
Abstract（参考訳）: 我々は,大気運動場と熱力学場の予測フィールドとGridSat赤外線衛星画像を利用して,熱帯サイクロンの軌跡と強度を6-24$hで予測するマルチモーダルディープラーニングモデルであるTropicalCycloneNext(TC-Next)を提案する。通常の規則ベースのトラッカーであるTempestExtremesに対して3ドル-6ドルという係数でトラックエラーを15ドル-44ドル%で減らし、Pangu-Weather と IFS HRES の予測フィールドに再トレーニングすることなく適用することができる。 2025年WPシーズンのウェザーネクスト・サイクロンの一般的な気象分野にゼロショットを適用したTC-Nextは、決定論的比較において、そのモデルの特別なダイレクトトラッカーと比較して、リードタイム毎に低い強度誤差と低いまたは同等のトラックエラーを達成した。我々のアブレーション研究は、我々のマルチモーダルモデルが、リードタイム毎にエラーをトラッキングし、より長いリードタイムで強度予測を行う際のパフォーマンスを改善するために、追加のモダリティを利用することができることを示している。

関連論文リスト

Tropical Cyclone Forecasting via Latent Rectified Flow using Satellite Imagery and Atmospheric Fields [0.0]
この研究は、GRIDSAT-B1赤外線画像と4つのERA5大気場を9時間連続で予測するシングルパスモデルを示す。モデルは、予測された風から導かれる微分可能なトラック誤差に対して、報酬細調整(DRaFT)される。 2022年の嵐でモデルは16.35dBのPSNRと0.759のSSIMに達する。
論文参考訳（メタデータ） (2026-08-08T22:40:22Z)
U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecaster [27.767243624749085]
標準のU-Netバックボーン上に構築された確率予測器であるU-Castを紹介する。我々のモデルは、GenCast と IFS ENS の確率的スキルと1.5ドル円の解像度で一致または超えます。 U-Castは12H200GPU日以下のトレーニングを行い、11秒で60ステップのアンサンブル予測を生成する。
論文参考訳（メタデータ） (2026-04-10T07:02:20Z)
Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
論文参考訳（メタデータ） (2026-03-05T04:13:57Z)
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)
Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文参考訳（メタデータ） (2023-10-02T23:09:59Z)
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。