論文の概要: Sparse-Observation Atmospheric Thermal Forecasting with Physics-Informed Neural Networks for Climate-Aware Digital Twins

• arxiv url: http://arxiv.org/abs/2609.27290v1
• Date: Wed, 23 Sep 2026 03:29:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.856623
• Title: Sparse-Observation Atmospheric Thermal Forecasting with Physics-Informed Neural Networks for Climate-Aware Digital Twins
• Title（参考訳）: 気候に配慮したディジタル双生児のための物理インフォームニューラルネットワークによるスパース観測型大気熱予測
• Abstract要約: 気候に配慮したデジタルツインシステムを支援するには、大気温度の短期的な予測が必要である。 本研究では,ポテンシャル温度予測のための物理インフォームドニューラルネットワークの評価を行った。
• 参考スコア（独自算出の注目度）: 0.05799520226281693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-horizon forecasts of atmospheric temperature are needed to support climate-aware digital-twin systems, but such forecasts must be produced where thermal observations are incomplete. This study evaluates a physics-informed neural network for potential-temperature forecasting, constrained by a pressure-coordinate thermodynamic advection-source equation and a diabatic-source closure fit from the preceding 12-hour period and frozen before future-time training. Using hourly ERA5 reanalysis at three pressure levels, the model is evaluated as a conditional hindcast at lead times of one, two and three hours against persistence, local-trend, and two matched neural-network baselines, one of which receives the same future meteorological forcing as the PINN, helping distinguish the physical constraint from access to future forcing. In an Oklahoma development case, mean RMSE improvement over the strongest baseline grew from 8.1\% at one hour to 23.8\% at three hours; under an observation-density sweep down to 5\% of candidate locations, this 3-hour advantage remained 14.6--16.9\%, with no evidence that lower density improves performance. Under a fixed protocol transferred to an Alabama heat event with three virtual-observation layouts, three-hour improvement ranged 19.7-24.4\% with consistent origin-level wins. A parallel Montana stress test, in which fixed pressure levels intersected complex terrain, produced a three-hour degradation of roughly 17.5\%, identifying a terrain-related applicability limit of the formulation. Together, these results indicate that the physics constraint's benefit grows with forecast horizon, persists under severe observation sparsity, and transfers across regions, but is bounded by the validity of a fixed vertical-coordinate representation over complex terrain, evidence relevant to physics-constrained components of climate-aware forecasting and digital-twin systems.
• Abstract（参考訳）: 気候に配慮したデジタルツインシステムを支えるには、大気温度の短期的な予測が必要であるが、熱観測が不十分な場所では、このような予測が作成されなければならない。 本研究は, 圧力調整型熱力学的対流源方程式と, 前12時間周期のダイアバティック・ソース・クロージャ・フィットにより制約され, 将来のトレーニングに先立って凍結された, ポテンシャル温度予測のための物理インフォームドニューラルネットワークについて検討した。 3つの圧力レベルでの時間ごとのERA5再解析を用いて、モデルは1時間、2時間、3時間のリードタイムにおける条件付きヒンドキャストとして、持続性、局所トレント、および2つの一致したニューラルネットワークベースラインとして評価される。 オクラホマ州開発の場合、最強のベースラインに対するRMSEの改善率は、1時間で8.1\%から3時間で23.8\%に増加し、観測密度が5\%まで低下すると、この3時間の優位性は14.6-16.9\%にとどまった。 3つの仮想観測レイアウトを持つアラバマ州のヒートイベントに転送される固定されたプロトコルの下で、3時間の改善は19.7-24.4\%の範囲で、一貫したオリジンレベルの勝利をもたらした。 固定圧レベルが複雑な地形に交差する平行なモンタナ応力試験では、約17.5\%の3時間の劣化が発生し、地形に関する定式化の適用限界が特定された。 これらの結果は、物理制約の利点は、予測地平線に沿って成長し、厳密な観測空間の下で持続し、地域間での移動であるが、複雑な地形上の固定された垂直座標表現の妥当性、気候を考慮した予測とデジタルツインシステムの物理制約成分に関連する証拠によって制限されていることを示している。

関連論文リスト

• Steering Diffusion Priors with Sparse Observations for High-Resolution Temperature Downscaling [1.6020567943077142]
  局所的な熱波の危険性は、微細な大気温度に依存するが、地上局は希薄であり、ERA5のような再分析製品は、実際の熱露光を形成する地形や地表のコントラストを解決できない。 静止地形, 訓練気候, 正確なERA5温度, 太陽・時間特性を条件とした高分解能2m温度ダウンスケーリングのための条件拡散エミュレータを提案する。 得られたフィールドは、しきい値超過や累積熱バーデンなどの下流熱波ハザード生成物の温度層として意図されている。
  論文  参考訳（メタデータ） (2026-09-08T11:13:32Z)
• WeatherNext 3: Increasing resolution and performance of global weather models with raw observations [7.982370087946237]
  最先端のAI天気モデルでは、中距離予測スキルと計算効率が目覚ましい。 WeatherNext 3はこれらの欠点に対処し、確率的中距離予測技術のための新しい最先端技術を確立する。 まず、WeatherNext 3は低遅延静止衛星データを取り込み、毎時新しい予測を生成する。 第二に、WeatherNext 3の時間分解能と空間分解能は物理に基づくグローバルモデルと同等である。
  論文  参考訳（メタデータ） (2026-09-03T09:30:21Z)
• Systematic Evaluation of TabPFN-TS for Zero-Shot Probabilistic Heat Load Forecasting in District Heating Networks [35.66975292316149]
  地域エネルギーハブは、効率的な運用スケジュールのための信頼性の高い熱負荷予測を必要とする。 時系列の基礎モデルとコンテキスト内予測は、有望な代替手段を提供する。 本研究では,TabPFN-TSを時系列基礎モデルと訓練された機械学習ベースラインに対して体系的に評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:33:37Z)
• A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States [0.2864713389096699]
  葉面積指数(Leaf Area Index, LAI)は、陸上と大気の相互作用を管理する基本的な生物物理学的な変数である。 最大30日前に1日1kmのLAI予測を生成するシーケンス・ツー・シーケンス・フレームワークを提案する。 このモデルは、30日間のリードタイムで平均0.36のドメイン平均RMSEを達成し、永続ベースラインよりも3分の1以下である。
  論文  参考訳（メタデータ） (2026-08-01T21:45:29Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• 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)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。