論文の概要: West-WRF AI 2-km: High-Resolution Prediction of Integrated Vapor Transport and Precipitation

• arxiv url: http://arxiv.org/abs/2609.25512v1
• Date: Tue, 22 Sep 2026 00:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.160263
• Title: West-WRF AI 2-km: High-Resolution Prediction of Integrated Vapor Transport and Precipitation
• Title（参考訳）: 西WRF AI 2-km:統合型蒸気輸送と降雨の高分解能予測
• Abstract要約: 西WRF AI 2-kmは、40年間の欧州中距離気象予報リアナリシスv5(ERA5)データセットで事前訓練されたグローバルモデルに基づいて構築されている。 2020-2023年の冬の予測は、格子状の降雨観測、雨量計、ARリコネッサンス・ドロップソンドを用いて評価される。
• 参考スコア（独自算出の注目度）: 0.18509864241014864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a stretched-grid artificial intelligence (AI) weather forecasting model with 2-km resolution over the western United States and part of the Northeast Pacific and approximately 31-km resolution elsewhere globally. Forecasting over the western U.S. is challenging because complex topography and atmospheric rivers (ARs) strongly influence orographic precipitation. West-WRF AI 2-km builds on a global model pretrained with a 40-year European Centre for Medium-Range Weather Forecasts Reanalysis v5 (ERA5) dataset and is fine-tuned with the Center for Western Weather and Water Extremes (CW3E) 2-km regional reanalysis to produce autoregressive 6-hourly forecasts of precipitation and integrated vapor transport (IVT). Forecasts are evaluated over winters 2020-2023 using gridded precipitation observations, rain gauges, and AR Reconnaissance dropsondes and are benchmarked against coarser-resolution AI forecasts and regional and global numerical weather prediction (NWP) systems. West-WRF AI 2-km reproduces observed precipitation-intensity distributions, retains fine-scale spectral variability, and produces sharper narrow coastal precipitation bands and localized, terrain-sensitive extremes. Its broader-scale performance remains comparable to coarser-resolution configurations while preserving large-scale skill despite higher resolution. Dropsonde verification shows lower errors and improved categorical skill at the most extreme IVT threshold. Overall, West-WRF AI 2-km provides its greatest value for localized precipitation extremes and intense AR-related moisture transport.
• Abstract（参考訳）: 我々は、米国西部と北東太平洋の一部で約2kmの分解能を持つ拡張格子型人工知能(AI)天気予報モデルを導入し、世界中で約31kmの分解能を示す。 複雑な地形と大気中の川 (AR) がオーログラフィーの降水量に強く影響するため、アメリカ合衆国西部の予測は困難である。 西WRF AI 2-kmは、40年間の欧州気象予報センター(ERA5)データセットで事前訓練されたグローバルモデルに基づいており、降水と統合蒸気輸送(IVT)の自己回帰6時間予測を生成するために、西部気象・水の極端地域再分析センター(CW3E)2-kmで微調整されている。 2020-2023年の冬の予測は、格子式降雨観測、雨量計、ARリコネッサンス・ドロップソンドを用いて評価され、粗い解像度のAI予測と地域およびグローバルな数値天気予報(NWP)システムに対してベンチマークされる。 西WRF AI 2-kmは観測された降水強度分布を再現し、微細なスペクトル変動を保ち、より狭い沿岸の降水帯と局地的で地形に敏感な極端を発生させる。 より大規模なパフォーマンスは、高解像度にもかかわらず大規模なスキルを保ちながら、粗い解像度構成に匹敵する。 Dropsonde検証では、最も極端なIVTしきい値において、エラーの低減とカテゴリスキルの改善が示されている。 全体として、西WRF AI 2-kmは、局部的な降水極値とAR関連の強い水分輸送に対して最大の価値を提供する。

関連論文リスト

• SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
  我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。 生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
  論文  参考訳（メタデータ） (2026-05-15T16:42:45Z)
• Global spatio-temporal downscaling of ERA5 precipitation through generative AI [3.320484236699228]
  本研究では,地球規模での降水量の時間的ダウンスケーリングを初めて行う深層学習システムSpateGAN-ERA5について紹介する。 SpateGAN-ERA5は条件付き生成対向神経ネットワーク(cGAN)を使用し、ERA5の降水量は24kmから1時間から2kmと10分に増大する。 現実的で大局的なパターンと極端を含む正確な降雨量分布を持つ高解像度の降雨場を提供する。
  論文  参考訳（メタデータ） (2024-11-22T14:11:23Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)

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。