論文の概要: Hapi: A Multivariable Land-Surface Transformer for Medium-Range Hydrological Forecasting at Continental Scale

• arxiv url: http://arxiv.org/abs/2609.22702v1
• Date: Sat, 19 Sep 2026 02:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.893843
• Title: Hapi: A Multivariable Land-Surface Transformer for Medium-Range Hydrological Forecasting at Continental Scale
• Title（参考訳）: Hapi: 大陸規模の中距離水文予測のための多変量ランドサーフェス変換器
• Abstract要約: Hapiは、学習したLaplacianタスクの重みをトレーニングに対する各変数の貢献を調整することで、24-72時間の予測を0.05円の解像度で生成する。 2024年、ERA5-Landからの再建された気象と地上からの入力を用いたテストデータにより、ハピは、洪水検出における操作物理学に基づくモデルと最先端のAIモデルより優れていた。
• 参考スコア（独自算出の注目度）: 3.335368455894024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate flood forecasts several days in advance are essential for flood control, water-resource management, and emergency response. Producing them at high resolution over a continental domain calls for local hydrological detail together with spatial context extending from river basins to synoptic weather systems. We developed Hapi, a U-Net Swin Transformer that uses fine three-dimensional patches and hierarchical shifted-window attention to forecast discharge, surface runoff, snow water equivalent, and soil wetness across the contiguous United States. The model produces 24--72-hour forecasts at $0.05^{\circ}$ resolution, with learned Laplacian task weights adjusting each variable's contribution to training. On 2024 test data using reconstructed weather and land-surface inputs from ERA5-Land, Hapi outperformed an operational physics-based model and a state-of-the-art AI model in flood detection. Independent validation against 3,881 U.S. Geological Survey gauges and a Hurricane Helene case study supported its advantage over the physics-based model in reproducing daily discharge. Controlled experiments showed that learned task weighting strengthens rare-flood detection, which is particularly sensitive to changes in precipitation inputs. Hapi produced a four-variable, 72-hour forecast across the contiguous United States with an average inference time of 0.11 seconds on a single A100 GPU.
• Abstract（参考訳）: 数日前の正確な洪水予報は洪水管理、水資源管理、緊急対応に不可欠である。 大陸域を超越した高解像度で生産することは、河川流域から合成気象システムまで広がる空間的文脈とともに、局所的な水文学的な詳細を要求する。 我々は, 細粒な3次元パッチと階層的なシフトウインドウ・アテンションを用いて, 予測放電, 表面流出, 積雪水等価性, 土壌の湿潤度を推定するU-Net Swin Transformerを開発した。 このモデルは、学習されたラプラシアタスクの重みが各変数のトレーニングへの貢献を調整することで、0.05^{\circ}$解像度で24-72時間の予測を生成する。 2024年、ERA5-Landからの再建された気象と地上からの入力を用いたテストデータにより、ハピは、洪水検出における操作物理学に基づくモデルと最先端のAIモデルより優れていた。 アメリカ地質調査所の計3,881台とハリケーン・ヘレンのケーススタディに対する独立した検証は、毎日の放電を再現する物理モデルに対する優位性を支持した。 制御された実験により、学習課題重み付けは、特に降水入力の変化に敏感な希少なフロード検出を強化することが示された。 Hapiは、一台のA100 GPU上で平均0.11秒の推論時間で、連続した米国全体で4変数の72時間予測を生成した。

関連論文リスト

• MAGPIE-Net: Predicting short-duration heavy-rainfall events in station neighborhoods from multitemporal FY-4A AGRI observations [5.170200431898208]
  短時間の重雨警報は、1hの降水量が目標駅付近のしきい値を超えるかどうかを判断する。 殆どのディープラーニングの流し込み手法は、グリッド化された降水予測の後処理によってこれらの信号を局所的な警告に変換する。 我々は,地理的に適応し,異なるグリッド・ツー・ステーション・マッピングを経路に組み込んだMAGPIE-Netを提案する。
  論文  参考訳（メタデータ） (2026-08-18T13:17:21Z)
• AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion [1.0745467668389186]
  大気超解法の基礎モデルであるAirCast-SRを導入し,時空間分解能において地球規模のAI天気予報を0.25度(28km)から1km水平分解能にダウンスケールし,同時に8つの結合曲面変数の67時間予測を生成する。 冬季, 夏季, 春季の3つのConUSケーススタディを対象に, EarthMind-SR を検証し, トレーニングや微調整を行なわずに, 独立した地上局観測を用いてインドとドイツにゼロショットのグローバルトランスファー可能性を実証した。 オープンウェイトの基礎モデルとして、EarthMind-SRは、キロスケールのAI天気予報と予測のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-05-20T07:29:00Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NWP forecasts [1.517355052203938]
  インド夏モンスーン(英語: Indian summer monsoon)は、インド亜大陸にまたがる10億人を超える人々に直接影響する、非常に複雑で重要な気象システムである。 正確な短期予測は、モンスーンの固有の非線形性と、マルチスケールドライバに対する感度のために、大きな科学的課題である。 本研究では,1日と3日の両方のリードタイムに着目し,夏期のインドにおける日降雨予測の問題に対処する。
  論文  参考訳（メタデータ） (2024-02-12T17:59:20Z)
• 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)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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)

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。