論文の概要: Graph-Based Learning for Multi-Horizon Martian Atmospheric Forecasting
- arxiv url: http://arxiv.org/abs/2609.35042v1
- Date: Mon, 28 Sep 2026 12:40:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 17:29:31.220174
- Title: Graph-Based Learning for Multi-Horizon Martian Atmospheric Forecasting
- Title（参考訳）: マルチ水平火星大気予測のためのグラフベース学習
- Abstract要約: MaGMAはグラフベースのデータエンジニアリングフレームワークで、OpenMARSの解析フィールドを火星大気予報のための構造化学習オブジェクトに変換する。
我々は,火星の5年間にわたって,通常年と地球規模の塵嵐年を含むMaGMAを評価した。
- 参考スコア（独自算出の注目度）: 1.2506203539237277
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Martian weather forecasting is important for future exploration, but atmospheric behaviour on Mars combines spatial, temporal, vertical, and dust-driven processes in ways that challenge current modelling and forecasting approaches. This paper introduces MaGMA (Martian Graph-based Multi-horizon Atmospheric Forecasting), a graph-based data engineering framework that transforms OpenMARS reanalysis fields into structured learning objects for Martian atmospheric forecasting. Local atmospheric patches are represented as graph nodes and linked through spatial neighbourhoods, temporal continuity, longer temporal dependencies, and dynamically similar atmospheric states. The model integrates recent atmospheric history, engineered physical descriptors, and vertical atmospheric information to support forecasting across multiple horizons. We evaluate MaGMA across five unseen Martian years, including regular years and a global dust storm year. In regular years, the model achieves overall R^2 values of approximately 0.73-0.85. For dust-column forecasting, it outperforms classical and deep temporal baselines in most year-horizon comparisons. During the global dust storm year, dust-column prediction remains strong at shorter horizons, with R^2 above 0.8 for the first two horizons, while broader multivariate performance declines. The results show that graph-based data engineering can create reusable and diagnostically useful representations for planetary atmospheric forecasting, while highlighting the need for better learning under rare extreme regimes and improved use of vertical atmospheric structure.
- Abstract（参考訳）: 火星の天気予報は将来の探査に重要であるが、火星の大気の挙動は、現在のモデリングと予測アプローチに挑戦する、空間的、時間的、垂直的、塵駆動のプロセスを組み合わせたものである。
本稿では,OpenMARS再解析フィールドを火星大気予測のための構造化学習オブジェクトに変換するグラフベースのデータエンジニアリングフレームワークであるMaGMA(Martian Graph-based Multi-Horizon Atmospheric Forecasting)を紹介する。
局所的な大気パッチはグラフノードとして表現され、空間的近傍、時間的連続性、時間的依存関係、動的に類似した大気状態を通してリンクされる。
このモデルは、最近の大気史、工学化された物理ディスクリプタ、垂直大気情報を統合し、複数の地平線を横断する予測を支援する。
我々は,火星の5年間にわたって,通常年と地球規模の塵嵐年を含むMaGMAを評価した。
通常の年では、R^2の値は0.73-0.85である。
ダストカラムの予測では、ほとんどの年次比較において古典的・深い時間的基準よりも優れている。
地球規模の塵嵐の年では、塵柱の予測は短い地平線では強く、最初の2つの地平線ではR^2が0.8以上であり、より広い多変量性能は低下する。
その結果, グラフに基づくデータ工学は, 惑星大気予測のための再利用可能な, 診断に有用な表現を創出し, 希少な極端条件下での学習改善の必要性を強調し, 垂直大気構造の改善を図っている。
関連論文リスト
- Learning to Forecast Crop Growth from Earth Observation Data [1.181507970752055]
本研究では,地球観測時系列と気象観測装置を用いて,将来の天蓋形成を国規模で予測できるかどうかを考察する。
我々は,冬のコムギと果樹栽培予測に焦点をあてて,最後のセンチネル2観測を超えた将来の葉面積指数(LAI)の予測を行った。
論文 参考訳（メタデータ） (2026-08-14T13:07:27Z) - MarsCast: Transfer Learning of AI Weather Foundation Models to Planetary Atmospheres [0.0]
我々は、火星の大気力学をシミュレートするために、グラフCastグラフのニューラルネットワーク天気予報モデルを適用した。
微調整により、火星の熱変動の迅速な学習が可能になる。
結果は、地球で訓練されたAI気象モデルが火星の大気力学をシミュレートできることを示した。
論文 参考訳（メタデータ） (2026-08-05T17:03:13Z) - ARCO-Mars: A Unified Cloud-Optimized Archive of Mars Atmosphere Reanalysis [0.0]
ARCO-Marsは3つの大気再分析製品への統合アクセスを提供する統合クラウドdデータセットである。
MGS/TES、ODY/THEMIS、およびMRO/MCS機器からの熱赤外検索を同化する。
データ同化モデルと一般循環モデルの違いによる系統的差異を同定するために,3つの再分析産物間の状態変数を比較した。
論文 参考訳（メタデータ） (2026-06-19T19:18:52Z) - 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) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。
Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文 参考訳（メタデータ） (2023-09-11T16:25:48Z)
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。