論文の概要: Improving precipitation forecasts in an AI weather model using observational data

• arxiv url: http://arxiv.org/abs/2609.03210v1
• Date: Wed, 02 Sep 2026 22:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.867421
• Title: Improving precipitation forecasts in an AI weather model using observational data
• Title（参考訳）: 観測データを用いたAI気象モデルにおける降水予測の改善
• Abstract要約: 現在のグローバルAIWPモデルは、ほぼ完全に1つの分析データセットであるERA5を使用してトレーニングされている。 ここでは IMERG の降水データを 0.25 の解像度で微調整する。 当モデルでは,世界全体で57%の降雨予測において,最先端の運用モデルのBrierスキルスコアを超えている。
• 参考スコア（独自算出の注目度）: 20.61891646579683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence weather prediction (AIWP) systems now surpass state-of-the-art physical models for medium-range weather forecasting. Current global AIWP models are trained almost exclusively using one reanalysis dataset, ERA5, but it has known biases, particularly for precipitation. Here we fine-tune a graph-transformer architecture with IMERG precipitation data at 0.25° resolution. The resulting model improves medium-range continuous ranked probability scores by up to 19%, while also demonstrating superior skill for tropical storms and drizzle events. Our model exceeds the Brier skill score of state-of-the-art operational models on extreme rainfall prediction by 57% globally; however, a physics-based operational model remains more reliable for the heaviest precipitation events. Our results demonstrate that incorporating observations-based precipitation data directly into training can substantially improve precipitation forecasts.
• Abstract（参考訳）: 人工知能天気予報(AIWP)システムは、中距離気象予報のための最先端の物理モデルを上回っている。 現在のグローバルAIWPモデルは、ほぼ独占的に1つの分析データセットであるERA5を使用してトレーニングされているが、特に降水のために、既知のバイアスがある。 ここでは IMERG 降水量データを0.25° で微調整する。 結果として得られたモデルでは、中距離連続的なランク付け確率スコアが最大19%向上し、熱帯の嵐やドライズルイベントに優れたスキルを発揮できる。 本モデルでは, 降雨量予測において, 高度降雨量予測のBrierスキルスコアを57%上回っているが, 降雨量予測において, 物理に基づく運用モデルの方が信頼性が高い。 その結果,観測に基づく降水データをトレーニングに直接組み込むことで,降水予測を大幅に改善できることが示唆された。

関連論文リスト

• DPSformer: A long-tail-aware model for improving heavy rainfall prediction [48.884870685632755]
  DPSformerは,高分解能分岐による豪雨イベントの表現を充実させる長テール認識モデルである。 豪雨の場合、DPSformerはベースラインの数値気象予測(NWP)モデルのCritical Success Index(CSI)を0.012から0.067に引き上げる。 我々の研究は、降雨予測のための効果的な長期的パラダイムを確立し、早期警戒システムを強化し、極端な気象事象の社会的影響を軽減するための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2025-09-20T15:09:38Z)
• Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework [5.484147776963721]
  本研究では,CNN-LSTMハイブリッドフレームワークに基づく多次元降水指数予測モデルを提案する。 このデータセットはインドのマハーラーシュトラ州プーンで1972年から2002年までの月間平均降水量のデータをカバーしている。 実験の結果,6.752の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-04-29T05:32:43Z)
• OMG-HD: A High-Resolution AI Weather Model for End-to-End Forecasts from Observations [11.729902584481767]
  OMG-HDは、観測データソースから直接予測を行うように設計されたAIベースの高解像度天気予報モデルである。 RMSEは温度2mで最大13%,風速10mで17%,比湿度2mで48%,表面圧力で32%向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:46:50Z)
• Leadsee-Precip: A Deep Learning Diagnostic Model for Precipitation [0.0]
  本稿では,気象循環場から降水を生成するための地球規模の深層学習モデルであるPedsee-Precipを提案する。 このモデルは、降水量予測の課題に取り組むために、情報バランススキームを利用する。 Leadsee-Precipの降水量は観測値とより一致しており、地球規模の数値天気予報モデルと競合する性能を示している。
  論文  参考訳（メタデータ） (2024-11-19T16:51:56Z)
• Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
  4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。 かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
  論文  参考訳（メタデータ） (2024-09-08T22:58:46Z)
• 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)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• 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。