論文の概要: From Nowcasting to Forecasting: Adapting a Reanalysis-Trained
- arxiv url: http://arxiv.org/abs/2609.03763v1
- Date: Thu, 03 Sep 2026 12:30:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.056767
- Title: From Nowcasting to Forecasting: Adapting a Reanalysis-Trained
- Title（参考訳）: Nowcasting から Forecasting: Reanalysis-Trained への適応
- Abstract要約: CloudCast v2は、観測ベースの初期条件から12時間のクラウドカバレッジ予測のための機械学習モデルである。
これは、前回のCloudCast v1と比較して平均絶対誤差を10%削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate cloud-cover forecasts are important for temperature prediction, radiation forecasting, and solar-power operations. Short-range forecasting methods can preserve observed cloud placement during the first forecast hours, but their skill decreases when cloud fields evolve through formation, dissipation and deformation. Longer lead times require accounting for atmospheric evolution, but operational numerical weather prediction (NWP) forecasts may not accurately represent the satellite-observed cloud state at initialization. We develop CloudCast v2, a machine-learning model for 12-hour cloud-cover forecasting from observation-based initial conditions. The model is first trained on the Copernicus European Regional Reanalysis (Ridal2024) to learn cloud-evolution dynamics, and is then adapted to satellite-derived cloud fields using conditional flow matching (Lipman2023), a generative method that transforms noise into cloud-cover forecasts conditioned on the observed initial cloud fields and NWP inputs. CloudCast v2 reduces mean absolute error by 10% relative to its predecessor, CloudCast v1 (Partio2025), over the 1-12 h range. It also overtakes CloudCast v1 in fractions skill score, a neighborhood-based measure of spatial agreement, after approximately 3-6 h, depending on the cloudiness category. These results show that observation-initialized machine-learning forecasts can extend beyond the usual 1-3-hour nowcasting range while retaining spatial detail from satellite cloud fields.
- Abstract（参考訳）: 正確な雲被覆予測は、温度予測、放射線予測、太陽エネルギー演算に重要である。
短距離予測法は、観測された雲の位置を最初の予測時間で保存することができるが、雲の形成、散逸、変形によって雲場が進化するにつれて、その技術は低下する。
長いリードタイムは大気の進化を考慮しなければならないが、運用数値気象予報(NWP)の予測は、初期化時に観測された雲の状態を正確に表現していない可能性がある。
CloudCast v2は、観測に基づく初期条件から12時間のクラウドカバレッジ予測を行う機械学習モデルである。
このモデルはまず、Copernicus European Regional Reanalysis (Ridal2024)でクラウド進化のダイナミクスを学習し、次に条件付きフローマッチング(Lipman2023)を使用して衛星由来のクラウドフィールドに適応する。
CloudCast v2は、1-12hの範囲で、前任のCloudCast v1(Partio2025)と比較して平均絶対誤差を10%削減する。
CloudCast v1は、雲のカテゴリによって約3～6時間後に、近隣の空間合意を測る、分数的なスキルスコアも上回っている。
これらの結果から,観測初期化による機械学習予測は,衛星雲場からの空間的詳細を保ちながら,通常の1～3時間放送範囲を超えて拡張可能であることが示された。
関連論文リスト
- Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction [2.9884358130293056]
雲の動きを予測するための注意に基づく畳み込み長短期記憶ネットワークを提案し,雲の動きを予測するために既存の自己注意に基づく手法を適用した。
高い高度での雲の場合、注意に基づく手法を用いて得られた雲の予測は、非注意に基づく手法と比較して、太陽の予測スキルスコアが5.86%以上改善されることが判明した。
論文 参考訳（メタデータ） (2024-11-17T00:37:35Z) - 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) - CloudCast -- Total Cloud Cover Nowcasting with Machine Learning [0.0]
雲は天気予報において重要な役割を担い、農業、太陽光発電、航空などいくつかの分野に影響を与える。
数値天気予報(NWP)モデルの進歩にもかかわらず、雲の形成過程の小さな性質のため、雲全体の被覆を予測することは困難である。
我々は、U-Netアーキテクチャに基づいた畳み込みニューラルネットワーク(CNN)であるCloudCastを紹介し、最大5時間前に全クラウドカバー(TCC)を予測するように設計されている。
論文 参考訳（メタデータ） (2024-10-27T14:46:13Z) - Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳（メタデータ） (2023-12-06T19:46:06Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - CloudCast: A Satellite-Based Dataset and Baseline for Forecasting Clouds [0.0]
本稿では,CloudCast'と呼ばれる新しい衛星ベースのデータセットを提案する。
画像は70,080枚で、雲の種類は10種類あり、大気の複数の層がピクセルレベルでアノテートされている。
データセットの空間解像度は928 x 1530ピクセル(1ピクセルあたり3x3km)で、2017-01-01から2018-12-31までのフレーム間隔は15分である。
論文 参考訳（メタデータ） (2020-07-15T20:20:55Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳（メタデータ） (2020-07-08T20:33:10Z) - 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。