論文の概要: UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations

• arxiv url: http://arxiv.org/abs/2609.22217v1
• Date: Wed, 02 Sep 2026 08:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.788276
• Title: UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations
• Title（参考訳）: UniGIO:時空間不完全観測による一元的グローバルインサイト気象モデリング
• Abstract要約: グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
• 参考スコア（独自算出の注目度）: 105.39188182564179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global In-situ Observation (GIO) provides fine-scale, direct records of the global weather system from sparse point stations, making it an indispensable source for capturing localized and transient dynamics beyond the reach of satellite gridded data, and playing a critical role in key fields such as numerical weather prediction, disaster prevention, and agriculture. However, GIO exhibits strong spatiotemporal incompleteness, severely impairing accurate and real-time in-situ weather modeling. Unlike existing methods waiting for completed AI-ready data with extra introduced errors, in this work, we explore UniGIO, a novel generative framework for directly modeling global in-situ weather dynamics from native incomplete GIO. By generating missing data from observed ones annotated by masks, it unifies the coexisting forecasting, imputation, and generation under arbitrary missing ratios. Between the missing and observed, UniGIO captures station and region level complementarity through the Observation Mixer and Event Aligner, which diffuse discrete observations into continuous spaces where weather processes naturally span multiple stations. We further establish temporal dependencies with pattern shifts using the Adaptive Temporal Mixer, and track extreme events in chaotic local weather systems through a Mixture-ofExperts structure. Steady and extreme events are adapted in decoder by a Local Refiner. Extensive experiments on the up-todate largest global station weather dataset Weather-5K validate its SOTA performance with 11%, 12%, and 5% advantages on accuracy, fidelity, and extreme event capture, delivering a novel holistic solution for weather modeling in GIO networks.
• Abstract（参考訳）: グローバル・インサイト観測(Global In-situ Observation, GIO)は、衛星グリッドデータの範囲を超えて局地的かつ過渡的なダイナミクスを捉え、数値気象予報、防災、農業などの重要な分野において重要な役割を果たすために必要不可欠である。 しかし、GIOは時空間不完全性を強く示し、高精度でリアルタイムな気象モデリングを著しく損なう。 追加のエラーを伴って完了したAI対応データを待つ既存の方法とは異なり、本研究では、ネイティブ不完全なGIOからグローバルな気象力学を直接モデル化する新しい生成フレームワークであるUniGIOを探索する。 マスクによって注釈付けされた観測データから欠落データを生成することにより、任意の欠落率で既存の予測、計算、生成を統一する。 欠落と観測の間、UniGIOは観測ミキサーとイベントアリグナーを通して観測局と地域レベルの相補性をキャプチャし、気象プロセスが自然に複数の局にまたがる連続した空間に離散的な観測を拡散させる。 さらに、適応型テンポラルミキサーを用いてパターンシフトを伴う時間的依存関係を確立し、Mixture-ofExperts構造を用いてカオス的な局地気象システムにおける極端な事象を追跡する。 定常イベントと極端なイベントは、ローカルリファイナによってデコーダに適応される。 最新の世界規模の気象データセットであるWeather-5Kの大規模な実験は、そのSOTA性能を11%、12%、5%で評価し、精度、忠実度、極端なイベントキャプチャーに利点があり、GIOネットワークにおける気象モデリングのための新しい総合的なソリューションを提供する。

関連論文リスト

• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Local Off-Grid Weather Forecasting with Multi-Modal Earth Observation Data [5.147520971893645]
  森林火災の管理と再生可能エネルギーの発生は、地球表面付近の正確な局部的な天気予報を必要とする。 機械学習モデルや数値天気予報システムによって生成された予測は、通常、大規模な正規グリッド上で生成される。 本稿では,マルチグラニュアルトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-16T18:25:43Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• 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)

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。