論文の概要: Too Rare to Learn: Prescribed Cyclone Tracks Degrade a Bay of Bengal Ocean Emulator
- arxiv url: http://arxiv.org/abs/2609.04635v1
- Date: Fri, 04 Sep 2026 02:15:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.876958
- Title: Too Rare to Learn: Prescribed Cyclone Tracks Degrade a Bay of Bengal Ocean Emulator
- Title（参考訳）: ベンガル海エミュレータの湾でサイクロンの軌道が劣化
- Abstract要約: ベンガル湾において,ネットワークのサイクロンを所定の入力として処理する選択を検証した。
3つの種にまたがって、海洋のみのモデルが実行毎に永続性を打ち負かし、嵐条件のモデルが実行毎にそれを失う。
余分な誤差は所定の嵐のフットプリント内にあり、実際のサイクロンマップを推論時にノーストームマップに置き換えると、各種において保持される嵐の予測は7.5から16.4%向上する。
- 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: Neural ocean emulators are being proposed for regional forecasting in cyclone-exposed coastal seas, and a natural design choice is to hand the network the cyclone as a prescribed input. We test that choice in the Bay of Bengal and find it harmful. We withhold 15 whole cyclones spanning 65 to 150 kt from GLORYS12 reanalysis and compare two U-Nets that are identical except for four prescribed cyclone-track channels. Across three seeds the ocean-only model beats persistence in every run and the storm-conditioned model loses to it in every run, with the two skill ranges disjoint (p = 3.1e-5, paired across storms). The cause is exposure frequency rather than signal content: the channels are non-zero on only 7.9% of training days, so they are out of distribution the moment they activate. The extra error falls inside the prescribed storm footprint, and replacing the real cyclone map with a no-storm map at inference improves held-out storm forecasts by 7.5 to 16.4% in every seed. The conditioned network has learned a response to a rare signal that is confidently wrong.
- Abstract（参考訳）: ニューラル・オーシャン・エミュレータはサイクロンが露出した沿岸海域の地域予測のために提案されており、自然設計ではサイクロンを所定の入力としてネットワークに渡す。
私たちはベンガル湾でその選択をテストし、有害であると考えています。
GLORYS12の再分析から65ktから150ktまでの全サイクロンを15個保持し、4つの所定のサイクロントラックチャンネルを除いて同一の2つのU-Netを比較した。
3つの種にまたがって、海洋のみのモデルが全てのランで永続性を打ち負かし、嵐条件のモデルが各ランで敗れ、2つのスキル範囲が解離する(p = 3.1e-5, paired across storms)。
原因は信号の内容ではなく露光周波数であり、チャネルは訓練日のわずか7.9%でゼロではないため、活性化した時点では分布が途絶えている。
余分な誤差は所定の嵐のフットプリント内にあり、実際のサイクロンマップを推論時にノーストームマップに置き換えると、各種において保持される嵐の予測は7.5から16.4%向上する。
条件付きネットワークは、確実に間違っている稀な信号に対する応答を学習した。
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) - Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。
衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文 参考訳（メタデータ） (2026-07-08T18:14:24Z) - CyPortQA: Benchmarking Multimodal Large Language Models for Cyclone Preparedness in Port Operation [50.2938859756212]
ポートオペレーターは、確率的風力マップのような多様な予測生成物を、サイクロンアプローチとして明確で実用的なガイダンスに迅速に合成する必要がある。
我々は、サイクロン脅威下でのポート操作に適した最初のマルチモーダルベンチマークであるCyPortQAを紹介する。
CyPortQAは2015年から2023年にかけて、アメリカの主要港145か所と90の嵐を含む2,917の現実世界の破壊シナリオを組み立てている。
論文 参考訳（メタデータ） (2025-08-19T21:56:54Z) - 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) - 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) - 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) - FourCastNet: Accelerating Global High-Resolution Weather Forecasting
using Adaptive Fourier Neural Operators [44.20526496271154]
現在の物理学に基づく数値天気予報(NWP)は、計算コストと厳密な解法限界による精度を制限している。
我々は,データ駆動の深層学習型地球エミュレータであるFourCastNetが,地球規模の気象を予測し,NWPより5桁高速な中距離予測を生成することを報告した。
論文 参考訳（メタデータ） (2022-08-08T06:06:31Z) - FourCastNet: A Global Data-driven High-resolution Weather Model using
Adaptive Fourier Neural Operators [45.520430157112884]
FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。
風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。
FourCastNetは2秒未満で1週間の予測を生成する。
論文 参考訳（メタデータ） (2022-02-22T22:19:35Z) - Tropical cyclone intensity estimations over the Indian ocean using
Machine Learning [1.6379393441314491]
北インド洋上で28年間最高の軌道データを用いて、精度は88%、Sは2.3の根平均二乗誤差(RMSE)を推定する。
我々は,北インド洋,バユ,ファニの2つの熱帯サイクロンを用いて本モデルを検証した。
論文 参考訳（メタデータ） (2021-07-07T12:53:06Z) - Intensity Prediction of Tropical Cyclones using Long Short-Term Memory
Network [1.6379393441314491]
熱帯性サイクロンの強度を予測するために,BiLSTM(Bidirectional stacked long short-term memory network)に基づく新しいモデルアーキテクチャを提案する。
1982年から2018年にかけて、北インド洋の熱帯性サイクロンにモデルを適用し、最近の2つの熱帯性サイクロンの性能を確認した。
このモデルは、それぞれ平均絶対誤差 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, 11.92 の2つの最近の熱帯低気圧での性能を予測する。
論文 参考訳（メタデータ） (2021-07-07T12:46:50Z) - Prediction of Landfall Intensity, Location, and Time of a Tropical
Cyclone [1.6379393441314491]
このモデルは、特定の時間、その位置、圧力、海面温度、強度からなるサイクロンの最良のトラックデータとして入力される。
このモデルは、降水強度、時間、緯度、経度を平均絶対誤差4.24ノット、4.5時間、0.24度、0.37度で予測し、最先端の結果を提供する。
論文 参考訳（メタデータ） (2021-03-30T09:01:35Z) - Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。
我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。
この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
論文 参考訳（メタデータ） (2020-03-10T22:31:58Z)
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。