論文の概要: MW-Nowcast: Six-hour ensemble nowcasting of extreme precipitation

• arxiv url: http://arxiv.org/abs/2609.34836v1
• Date: Mon, 28 Sep 2026 10:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:24:41.395303
• Title: MW-Nowcast: Six-hour ensemble nowcasting of extreme precipitation
• Title（参考訳）: MW-Nowcast:6時間のアンサンブルで降水が激減
• Abstract要約: レーダベースの生成機械学習モデルにより、急激な局部降水が可能である。 しかし、降水量の正確な予測は最初の数時間に限られている。 ここでは、Microsoft Weather Nowcast(MW-Nowcast)について紹介する。
• 参考スコア（独自算出の注目度）: 41.25101262603197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extending reliable nowcasting of extreme precipitation could provide critical additional time for warnings and emergency response during high-impact events such as flash floods. Radar-based generative machine-learning models have enabled skilful hyperlocal precipitation nowcasting, but accurate prediction of intense precipitation remains confined to the first few hours. Because storm-scale structure is predictable for longer than individual cells, a natural strategy is to predict that structure while generatively modelling only the uncertain local growth, decay, reorganisation and initiation of storms. Here we present Microsoft Weather Nowcast (MW-Nowcast), a six-hour ensemble radar nowcasting model that jointly learns a deterministic predictor to capture organised precipitation structure shared across ensemble members, and a generator to produce diverse local residuals around this shared prediction. Across independent test data from the United States, Europe and China, MW-Nowcast achieves higher detection skill than leading methods for heavy and extreme precipitation throughout the 6 h horizon. For the most intense rainfall, MW-Nowcast doubles the available warning time across all three regions, delivering 6 h forecasts with skill previously limited to 3 h for the leading generative baseline. A cost-loss decision analysis shows that MW-Nowcast retains substantial value for a broad range of applications even at 4-6 h, where alternative methods offer little benefit. These additional hours can give forecasters and emergency managers the time to warn and act before extreme rainfall strikes, helping to protect lives and property.
• Abstract（参考訳）: 極度の降水量の信頼性を高めれば、フラッシュフラッドのような高影響のイベントにおいて、警告や緊急対応のための重要な追加時間が得られる可能性がある。 レーダーをベースとした生成機械学習モデルでは、急激な局地降水が可能であるが、降水量の正確な予測は最初の数時間に限られている。 ストームスケールの構造は個々の細胞よりも長く予測可能であるため、自然戦略は、不確実な局所的な成長、崩壊、再編成、嵐の開始のみを生成的にモデル化しながら、その構造を予測することである。 ここでは、Microsoft Weather Nowcast (MW-Nowcast) という、6時間のアンサンブルレーダの現在放送モデルを紹介し、決定論的予測器を共同で学習し、アンサンブルメンバー間で共有される組織化された降水構造を捕捉し、この共有予測の周りに様々な局所的残留物を生成するジェネレータを提示する。 MW-Nowcastは、米国、欧州、中国からの独立したテストデータ全体にわたって、地平線を6時間にわたって過酷で極端な降雨を導く方法よりも高い検出技術を実現している。 最も激しい降雨のために、MW-Nowcastは3つの地域で利用可能な警告時間を2倍にし、前回の世代ベースラインではスキルが3時間に制限された6hの予測を提供する。 コストロスの決定分析により、MW-Nowcastは4-6時間でも広範囲のアプリケーションに対して実質的な価値を保ち、代替手法はほとんど利点がないことが示された。 これらの追加時間により、予報官や緊急管理者は、極端な降雨攻撃の前に警告し行動する時間を与え、生命や財産の保護に役立てることができる。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting [18.312964316878283]
  RainfallBenchは、降水量計用に設計されたベンチマークである。 このデータセットは、6つの必須変数の時間間隔で記録された5年間の気象観測から導かれる。 降水性水蒸気(PWV)は、他のデータセットにない降雨の重要な指標である。
  論文  参考訳（メタデータ） (2025-09-28T03:21:24Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• 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)
• Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG [1.9860735109145415]
  リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。 GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。 また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
  論文  参考訳（メタデータ） (2021-08-16T02:55:32Z)
• Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
  本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。 我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。 Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
  論文  参考訳（メタデータ） (2021-04-02T09:29:03Z)

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。