Fugu-MT 論文翻訳(概要): Stress-Testing Dynamical and Generative Downscaling Using Subseasonal Extreme Precipitation Forecasts

論文の概要: Stress-Testing Dynamical and Generative Downscaling Using Subseasonal Extreme Precipitation Forecasts

arxiv url: http://arxiv.org/abs/2609.11696v1
Date: Thu, 10 Sep 2026 15:21:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 23:53:35.41595
Title: Stress-Testing Dynamical and Generative Downscaling Using Subseasonal Extreme Precipitation Forecasts
Title（参考訳）: 沈降予測を用いた応力試験の動的および生成的ダウンスケーリング
Abstract要約: 拡散モデルに対する気象調査・予測(WRF)モデルの評価を行った。本研究では, 降水現象の時間的変動を動的にモデル化することで, 降水現象の時間的変化を予測できることを示す。
参考スコア（独自算出の注目度）: 0.04598714030160204
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Coarse spatial resolution limits the ability of subseasonal prediction models to resolve extreme precipitation. Downscaling with either dynamical or deep generative models can overcome this issue, but the comparative performance of these models for extremes across different atmospheric regimes remains poorly understood. In this work, we evaluate the Weather Research and Forecasting (WRF) model against a diffusion-based generative model by downscaling two physically distinct, extreme precipitation events up to lead times of 3 weeks. For a fair comparison with WRF, which can downscale boundary conditions from different driving models without model-specific training, the diffusion model is trained in an unpaired fashion. Both approaches improve upon the raw European Centre for Medium-Range Weather Forecasts forecasts, in comparison to fused rain gauge-radar observations in Switzerland (CombiPrecip), but exhibit regime-dependent strengths. WRF achieves the highest probabilistic skill for a multicell, non-stationary event. Conversely, the diffusion model is more consistent across different performance metrics for the two events, outperforming WRF in a more stationary supercell event. These results demonstrate that explicit dynamical modeling can add value for specific precipitation events for subseasonal lead times, and that generative downscaling adds value more broadly in different situations.
Abstract（参考訳）: 粗い空間分解能は、極端な降水を解消するサブシーズン予測モデルの能力を制限する。動的モデルと深部生成モデルの両方によるダウンスケーリングはこの問題を克服することができるが、異なる大気状態における極端なモデルの比較性能は、まだ理解されていない。本研究では,2つの物理的に異なる極端降水事象を3週間のリードタイムまでダウンスケールさせることにより,拡散に基づく生成モデルに対する気象調査・予測モデルの評価を行った。モデル固有の訓練を受けずに異なる駆動モデルから境界条件をダウンスケールできるWRFと公正に比較するために、拡散モデルを未熟な方法で訓練する。どちらのアプローチも、スイス(CombiPrecip)の融雪雨計レーダー観測と比較して、欧州中レージ気象予報センターの生の予測を改善するが、状況に依存した強度を示す。 WRFは、多セル非定常イベントにおいて最も高い確率的スキルを達成する。逆に拡散モデルは、より定常的なスーパーセルイベントにおいて、WRFよりも優れた性能を示すため、2つのイベントのパフォーマンス指標間でより一貫性がある。これらの結果は、明示的な動的モデリングは、季節的なリード時間に対する特定の降水イベントに価値を付加し、生成的なダウンスケーリングは、異なる状況においてより広範囲に価値を付加することを示した。

関連論文リスト

STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting [22.29494904927957]
降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。 STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
論文参考訳（メタデータ） (2025-12-24T11:34:44Z)
Data-driven Mesoscale Weather Forecasting Combining Swin-Unet and Diffusion Models [0.0]
本研究では,拡散モデルとSwin-Unetを決定論的モデルとして組み合わせたアーキテクチャを提案する。提案したアーキテクチャは、2つのモデルを独立に訓練し、決定論的モデルが更新されたときに拡散モデルが変更されないようにする。
論文参考訳（メタデータ） (2025-03-25T05:07:31Z)
Using Generative Models to Produce Realistic Populations of UK Windstorms [1.0885373200593467]
本研究は, 過去のERA5再解析データに基づいて学習し, 英国上空の風雨をシミュレーションする生成モデルの可能性を評価する。標準GAN, WGAN-GP, U-net拡散モデル, 拡散GANの4つの生成モデルについて検討した。
論文参考訳（メタデータ） (2025-01-27T15:02:55Z)
On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
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)
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)
Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文参考訳（メタデータ） (2023-08-13T09:51:16Z)
Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文参考訳（メタデータ） (2023-01-23T13:34:01Z)
TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。