論文の概要: FAST-ML: A Hybrid Physics-Machine Learning Framework for Tropical Cyclone Intensity Forecasting

• arxiv url: http://arxiv.org/abs/2609.25505v2
• Date: Tue, 29 Sep 2026 03:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.522527
• Title: FAST-ML: A Hybrid Physics-Machine Learning Framework for Tropical Cyclone Intensity Forecasting
• Title（参考訳）: FAST-ML:熱帯サイクロン強度予測のためのハイブリッド物理機械学習フレームワーク
• Abstract要約: データ駆動効率を物理的制約でブリッジするハイブリッドフレームワークであるFAST-MLを提案する。 FAST-MLは、外部から供給されたストームトラックや環境フィールドと結合可能なモジュラー強度予測フレームワークを提供する。 物理的に制約された力学における観察駆動パラメータ学習は、精度、解釈可能性、計算効率を同時に向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid intensification (RI) remains one of the most consequential and difficult aspects of tropical cyclone (TC) forecasting. Although full-physics numerical weather prediction models can represent the processes governing RI, resolving storm-environment interactions remains computationally expensive, while purely data-driven approaches often lack physical interpretability. We present FAST-ML, a hybrid framework that bridges data-driven efficiency with physical constraints. A physically informed dual-stream neural parameterization ingests 3D ERA5 fields to diagnose ventilation controls---environmental wind shear and mid-level entropy deficit. By optimizing these parameters end-to-end through a differentiable FAST intensity model, this architecture establishes a robust new paradigm for observation-driven parameter optimization, ensuring storm evolution remains strictly governed by thermodynamic principles. By better capturing the storm's continuous intensity evolution, FAST-ML improves upon its physical baseline, reducing ensemble CRPS across forecast lead times, with a reduction of approximately 31% at 60 h and nearly halving the RI false alarm ratio without sacrificing detection skill. In a 100-member ensemble configuration, FAST-ML produces intensity forecasts comparable to FNV3 for selected storms under the evaluated input configurations. Furthermore, zero-shot tests on selected Eastern Pacific storms provide encouraging evidence of cross-basin transferability. FAST-ML provides a modular intensity forecasting framework that can be coupled with externally supplied storm tracks and environmental fields. It demonstrates that observation-driven parameter learning within physically constrained dynamics simultaneously enhances accuracy, interpretability, and computational efficiency.
• Abstract（参考訳）: ラピッドインテンシフィケーション(RI)は、熱帯サイクロン(TC)予測の最も重要かつ困難な側面の1つである。 全物理数値天気予報モデルはRIを管理する過程を表現できるが、嵐と環境の相互作用の解決には計算コストがかかるが、純粋にデータ駆動のアプローチは物理的解釈性に欠けることが多い。 データ駆動効率を物理的制約でブリッジするハイブリッドフレームワークであるFAST-MLを提案する。 物理的に入力されたデュアルストリームニューラルパラメタライゼーションは、3D ERA5フィールドを取り込み、換気制御を診断する。 これらのパラメータを微分可能なFAST強度モデルでエンドツーエンドに最適化することにより、このアーキテクチャは観測駆動型パラメータ最適化のための堅牢な新しいパラダイムを確立し、嵐の進化は熱力学の原理によって厳密に制御されていることを保証する。 FAST-MLは、嵐の連続的な強度の進化を捉えることにより、物理ベースラインを改良し、予測リードタイムにおけるアンサンブルCRPSを削減し、約31%の60hで減少し、検出スキルを犠牲にすることなくRI偽アラーム比を半減する。 100名のアンサンブル構成では、FAST-MLは評価された入力構成の下で選択された嵐に対してFNV3に匹敵する強度予測を生成する。 さらに、選択された東太平洋の嵐に対するゼロショット試験は、断熱性を示す証拠となる。 FAST-MLは、外部から供給されたストームトラックや環境フィールドと結合可能なモジュラー強度予測フレームワークを提供する。 物理的に制約された力学における観察駆動パラメータ学習は、精度、解釈可能性、計算効率を同時に向上させる。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• 3DTCR: A Physics-Based Generative Framework for Vortex-Following 3D Reconstruction to Improve Tropical Cyclone Intensity Forecasting [23.828440019722056]
  3DTCRは3次元TC構造再構築のための物理制約と生成AI効率を組み合わせた物理ベースの生成フレームワークである。 低解像度の目標と過度にスムースな予測によって課される制限を緩和する。 その結果、3DTCRはECMWFの高分解能予測システムより優れていた。
  論文  参考訳（メタデータ） (2026-03-13T15:00:07Z)
• A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill [12.768001894587576]
  我々は、MJO(PCC-MJO)のための新しいディープラーニングフレームワーク、物理誘導カスケードコレクターを導入する。 PCC-MJOは、動的モデルからMJO予測を補正するための普遍的なポストプロセッサとして機能する。 我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。
  論文  参考訳（メタデータ） (2025-10-20T14:41:48Z)
• SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation [15.244330283621247]
  正確な放送は、災害管理、農業、輸送、エネルギー最適化など、様々な社会的ニーズに対処する上で最も重要である。 我々は,短時間から長期の知識蒸留技術と重み付きMSE損失を併用し,豪雨地域を優先する新たな訓練パイプラインであるSimCastを提案する。 SimCastは、決定論的予測を生成するため、さらに拡散に基づくフレームワークCasCastに統合し、確率モデルからの強みを活用して、決定論的出力の曖昧さや分布シフトといった制限を克服する。
  論文  参考訳（メタデータ） (2025-10-09T08:49:16Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions [2.531156266686649]
  本稿では,風速の短期予測のための新しい適応モデルを提案する。 単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。
  論文  参考訳（メタデータ） (2024-08-28T06:07:58Z)
• 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)
• 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)

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。