論文の概要: StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting

• arxiv url: http://arxiv.org/abs/2609.22123v2
• Date: Thu, 24 Sep 2026 07:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.720362
• Title: StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting
• Title（参考訳）: StationPDE:多段階多変量気象予測のためのステーション指向表面PDE学習
• Abstract要約: StationPDEは、ステーション指向表面PDE学習モデルである。 物理的進化は、表面の風力輸送と上層大気の推論に分解される。 Weather2KとMeteoNetの実験によると、StationPDEは最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 22.401627283181046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-station multivariate weather forecasting aims to forecast future weather variables at multiple weather stations from historical surface observations. Existing station forecasting models learn statistical dependencies among discrete stations, but lack explicit physical evolution. Meanwhile, PDE-based weather models provide interpretable physical dynamics, yet require continuous fields and upper-air variables unavailable in surface station data. To bridge this gap, we propose StationPDE, a station-oriented surface PDE learning model. StationPDE constructs a terrain-aware continuous surface field from discrete station observations and decomposes its physical evolution into surface wind transport and upper-air inference. Surface wind transport explicitly evolves observable weather variables, while upper-air inference uses learnable horizontal diffusion to approximate the missing influence of unavailable upper-air variables. A parallel data-driven diffusion branch captures complementary motion patterns, and an adaptive router integrates the two forecasts for station-level multivariate forecasting. Experiments on Weather2K and MeteoNet show that StationPDE consistently outperforms state-of-the-art baselines, reducing MSE by about $9.6\%$ on average compared with the strongest baseline.
• Abstract（参考訳）: マルチステーション多変量気象予報は、過去の観測から、複数の気象観測所における将来の気象変動を予測することを目的としている。 既存のステーション予測モデルは、個々のステーション間の統計的依存関係を学習するが、明らかな物理的進化は欠如している。 一方、PDEベースの気象モデルは解釈可能な物理力学を提供するが、連続場や地上局のデータでは利用できない上層大気変数は必要である。 このギャップを埋めるため,ステーション指向表面PDE学習モデルである StationPDE を提案する。 StationPDEは、局面の離散的な観測から地形を意識した連続した表面場を構築し、その物理的進化を表面風輸送と上層大気の推論に分解する。 表層風の輸送は観測可能な気象変数を明示的に進化させ、上層大気の予測では学習可能な水平拡散を用いて、観測できない上層大気変数の影響を近似する。 並列データ駆動拡散分岐は相補的な動きパターンを捕捉し、適応ルータはステーションレベルの多変量予測の2つの予測を統合する。 Weather2K と MeteoNet の実験では、StationPDE は最先端のベースラインを一貫して上回り、MSE は最強のベースラインと比較して平均 9.6 % 程度低下している。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Achieving an Accurate Random Process Model for PV Power using Cheap Data: Leveraging the SDE and Public Weather Reports [0.0]
  PV電力の正確なSDEモデルは、低解像度の公共天気予報からの安価なデータのみを使用することで構築できる。 提案手法は,最先端のディープラーニングに基づく時系列予測手法よりも優れている。
  論文  参考訳（メタデータ） (2021-11-27T04:34:02Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。