論文の概要: Generative Atmospheric Super-Resolution from Heterogeneous In Situ Observations through Composable Interfaces

• arxiv url: http://arxiv.org/abs/2609.29027v1
• Date: Thu, 24 Sep 2026 04:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.728
• Title: Generative Atmospheric Super-Resolution from Heterogeneous In Situ Observations through Composable Interfaces
• Title（参考訳）: 構成可能な界面による不均一その場観測による大気超解離の生成
• Abstract要約: 本研究では,1つの事前学習した13変数大気拡散モデルにコンポーザブルな観測インタフェースを導入する。 インターフェースは、スパース・ラジオソンデ(R)、クラスター航空機(A)、密度の高い不規則表面静止(S)の観測をソース固有の可能性要因に変換する。 R+A+Sの合成インタフェースは、ラジオゾンデ観測でのみ条件付けられた再構成と比較して、ERA5に対して評価されたRMSEを13の状態変数すべてに対して9.24%削減する。
• 参考スコア（独自算出の注目度）: 7.897454354809565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atmospheric observations are sparse, heterogeneous, and unevenly distributed, whereas many generative atmospheric models learn distributions over regularly gridded multivariate states. Once pretrained, diffusion models can supply atmospheric priors that can be combined with observation-derived likelihood factors in a Bayesian formulation. However, these observation sources differ substantially in geometry and sampling density, complicating the consistent use of their observations within a common inference framework. Here, we formulate this reconstruction problem as generative atmospheric super-resolution and introduce composable observation interfaces for conditioning a single pretrained 13-variable atmospheric diffusion model. The interfaces convert sparse radiosonde (R), clustered aircraft (A), and dense irregular surface-station (S) observations into source-specific likelihood factors that specify where observations constrain the gridded state, how residuals are counted under uneven sampling, and how strongly each source guides posterior sampling. We developed the aircraft and surface observation interfaces using 2019 observations and evaluated the selected interfaces throughout 2020 without further tuning. Compared with reconstructions conditioned only on radiosonde observations, the composed R+A+S interface reduces RMSE evaluated against ERA5 by $9.24\%$ across all 13 state variables over the CONUS domain. The aircraft and surface factors provide complementary improvements in upper-air and surface variables. The R+A+S combination also lowers the Continuous Ranked Probability Score (CRPS), while evaluations at held-out aircraft and surface-station observations show reduced prediction errors. Together, these results demonstrate a modular route for conditioning a pretrained atmospheric generative prior on heterogeneous in situ observations without retraining the underlying model.
• Abstract（参考訳）: 大気観測は希少で不均一であり、多くの生成的大気モデルは定期的に格子状多変量状態の分布を学習する。 一度事前訓練されたら、拡散モデルはベイズ式で観測に由来する可能性因子と組み合わせられる大気の先行要素を供給できる。 しかし、これらの観測源は幾何とサンプリング密度に大きく異なり、共通の推論フレームワーク内で観測の一貫性を欠いている。 ここでは, この再構成問題を生成的大気超解法として定式化し, 既訓練の13変数大気拡散モデル1つを条件に, 構成可能な観測インタフェースを導入する。 インターフェースは、スパース・ラジオソンド(R)、クラスター航空機(A)、および密度の高い不規則表面ステーション(S)観測を、グリッド化された状態がどこに制約されているか、残差が不均一なサンプリングの下でどのようにカウントされるか、そして各ソースが後続サンプリングをいかに強くガイドするかを示すソース固有の可能性要因に変換する。 航空機および表面観察インタフェースを2019年観測を用いて開発し、2020年を通して選択されたインターフェースを更なるチューニングなしで評価した。 合成R+A+Sインタフェースは、ラジオゾンデ観測でのみ条件付けられた再構成と比較して、ERA5に対して評価されたRMSEをCONUSドメイン上の13の状態変数すべてに対して9.24\%の値で還元する。 航空機と表面因子は、上層と表面の変数を補完的に改善する。 R+A+Sの組み合わせにより、CRPS(Continuous Ranked Probability Score)が低下する一方、保留航空機や地上局での観測では予測誤差が減少している。 これらの結果は、下層のモデルを再訓練することなく、不均一なその場観測に先立って、事前訓練された大気生成を条件付けるためのモジュラー経路を示すものである。

関連論文リスト

• Multimodal Spatiotemporal Atmospheric Data Assimilation with Latent Video Flow-matching [2.225353152447347]
  我々は、大気データ同化に対する根本的に異なる統一的なアプローチを提案する。 我々は、事前訓練した時間的一貫した軌跡をサンプリングするために、潜時ビデオフローマッチングを用いる。 スパース観測から直接フルステートアンサンブル予測を生成する。
  論文  参考訳（メタデータ） (2026-08-05T17:42:29Z)
• From Deterministic to Generative Deep Learning for Urban Air Quality Reconstruction from Sparse Observations [3.2742981227424006]
  大気汚染のフルフィールド再構築は、大気汚染の評価と公衆衛生の意思決定を支援するために不可欠である。 深層学習技術を用いて,NO2,O3,PM2.5,PM10の4つの主要な汚染物質のスパース観察から,高速かつ正確な再構築を行う。 モデルは、フルフィールドシミュレーションデータに基づいてトレーニングされ、パリ市内の9から28の監視ステーションから収集された実世界の観測に基づいて評価される。
  論文  参考訳（メタデータ） (2026-07-28T13:03:09Z)
• 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)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Guided Unconditional and Conditional Generative Models for Super-Resolution and Inference of Quasi-Geostrophic Turbulence [0.44241702149260353]
  ベータ平面上での準破壊乱流の超解像と推定に4つの生成拡散モデリング手法を適用した。 そこで本研究では, 渦流と異方性噴流の乱流, レイノルズ数103, 104, および4x粗解場と粗度, 粗度, 粗度, 粗度, 間隙の2つの試験例について検討した。 SDEditは非物理的フィールドを生成するのに対し、DPSは計算コストが低いがスムーズな微細な特徴を持つ合理的な再構成を生成する。
  論文  参考訳（メタデータ） (2025-07-01T12:59:10Z)
• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• 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。