Fugu-MT 論文翻訳(概要): Aries: A Proprietary Medium-Range Weather Prediction Model for the Energy Industry

論文の概要: Aries: A Proprietary Medium-Range Weather Prediction Model for the Energy Industry

arxiv url: http://arxiv.org/abs/2609.13292v1
Date: Wed, 09 Sep 2026 11:24:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.190002
Title: Aries: A Proprietary Medium-Range Weather Prediction Model for the Energy Industry
Title（参考訳）: Aries: エネルギー産業における予報中距離天気予報モデル
Abstract要約: InCommoditiesで開発されたSwinTransformerベースの機械学習天気予報モデルであるAriesを提案する。エイリーはERA5の再分析データを0.25度で測定し、74の予後と11の診断的大気変数を予測している。 10mの風速では、Ariesは最大4日間のリードタイムでECMWF HRESとAIFSを上回り、2mの温度ではAIFSと同等のRMSEを達成している。
参考スコア（独自算出の注目度）: 2.083477641291698
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Medium-range weather forecasting underpins operational and planning decisions across the energy industry. Developing competitive weather models was once the domain of national meteorological centers, but recent advances in machine-learned weather prediction (MLWP) have opened the field to industry. We present Aries, a SwinTransformer-based MLWP model developed at InCommodities. Aries is trained on ERA5 reanalysis data at 0.25\textdegree{} resolution, predicting 74 prognostic and 11 diagnostic atmospheric variables. We evaluate the model on 2025 ECMWF Analysis initializations, ensuring a recent and strictly out-of-sample test period for all models compared. On 10-metre wind speed, Aries outperforms both ECMWF HRES and AIFS in terms of RMSE for lead times up to four days, while on 2-metre temperature it achieves RMSE on par with AIFS operational. These results demonstrate that proprietary development of competitive weather models is technically viable, supporting a broader set of forecasts available for operational and planning applications in the energy industry.
Abstract（参考訳）: 中距離気象予報はエネルギー産業全体の運用と計画の決定を支えている。競争力のある気象モデルの開発は、かつては国家気象センターの領域であったが、近年の機械学習による気象予報(MLWP)の進歩により、産業分野が開拓された。 InCommoditiesで開発されたSwinTransformerベースのMLWPモデルであるAriesを提案する。 Aries は ERA5 の再解析データを 0.25\textdegree{} の解像度でトレーニングし、74の予後変数と11の診断的大気変数を予測している。我々は,2025ECMWF解析の初期化におけるモデル評価を行い,最近かつ厳密なテスト期間を比較検討した。 10mの風速では、Ariesは最大4日間のリードタイムでECMWF HRESとAIFSを上回り、2mの温度ではAIFSと同等のRMSEを達成している。これらの結果は、競争力のある気象モデルの独自開発が技術的に可能であることを示し、エネルギー産業における運用および計画のアプリケーションに利用可能な、より広範な予測セットをサポートする。

関連論文リスト

EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文参考訳（メタデータ） (2026-06-25T16:53:30Z)
A Weather Foundation Model for the Power Grid [4.060631090375762]
我々はSilurian AIのWFM, Generative Forecasting Transformer (GFT)を微調整する 5つのグリッドクリティカル変数に対して、ハイパーローカルでアセットレベルの予測を提供する。平均精度は0.72で、頭頂部ライムアイス検出を行う。
論文参考訳（メタデータ） (2025-09-28T08:05:46Z)
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)
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)
Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
論文参考訳（メタデータ） (2024-06-13T07:46:03Z)
Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
論文参考訳（メタデータ） (2024-02-08T11:00:51Z)
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)
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)
A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文参考訳（メタデータ） (2022-05-20T22:13:25Z)
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。