論文の概要: Methodological Changes to the Attention ResUNet Hourly Precipitation Postprocessor

• arxiv url: http://arxiv.org/abs/2609.38609v1
• Date: Tue, 29 Sep 2026 22:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.796528
• Title: Methodological Changes to the Attention ResUNet Hourly Precipitation Postprocessor
• Title（参考訳）: Atention ResUNet Hourly Precipitation Postprocessorの方法論的変化
• Abstract要約: このメモは、決定論的予測を後処理するAttention Residual U-Netを記述した以前に公開されたプレプリントの技術的伴奏である。 その方法が出版されてから何を変えたかが文書化されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This note is a technical companion to a previously published preprint describing an Attention Residual U-Net that postprocesses deterministic forecasts from The Weather Company's Global and Regional Atmospheric Forecast (GRAF) model into probabilistic hourly precipitation forecasts. It documents what has changed in that method since publication. Feature-wise Linear Modulation conditioning on calendar season and forecast lead time is used to produce a single trained model for each season, replacing 192 separately trained per-month, per-lead checkpoints. Lead time is extended from 48 to 72 h. Two new input channels are used, per-pixel local solar hour and a static, monthly-varying precipitation climatology. During verification, the climatological reference against which the Brier Skill Score is computed now has an added diurnal dimension, on top of the monthly resolution it already had. Brier Skill Score and reliability are compared between the new vs. the previous training. Forecasts generated with the new training show a modest, consistent improvement of the current training over the original.
• Abstract（参考訳）: このノートは、The Weather CompanyのGlobal and Regional Atmospheric Forecast(GRAF)モデルによる決定論的予測を、確率的時間ごとの降水予測に後処理するAttention Residual U-Netを記述した、以前に公開されたプレプリントの技術的伴奏である。 その方法が出版されてから何を変えたかが文書化されている。 カレンダーシーズンにおける特徴的線形変調条件と予測リード時間を用いて、各シーズンの1つのトレーニングモデルを生成し、毎月192の個別トレーニングチェックポイントを置き換える。 リード時間は48時間から72時間に延長される。 2つの新しい入力チャネルが使用されており、ピクセルごとの太陽時と、静的で月々の降水気候学である。 検証中、ブライアスキルスコアが計算される気候基準は、既に持っていた月次解像度に加えて、日次次元を付加している。 ブライアスキルスコアと信頼性は、新しいトレーニングと以前のトレーニングを比較します。 新しいトレーニングで生成された予測は、オリジナルのトレーニングよりも穏やかで一貫した改善を示している。

関連論文リスト

• Computationally-efficient deep learning models for nowcasting of precipitation: A solution for the Weather4cast 2025 challenge [0.01668373953103421]
  本研究では,ConGvRI(Conal Gated Recurrent Units)をベースとした,気象4Cast 2025コンペティションにおける短期降雨予測のためのトランスファーラーニングフレームワークを提案する。 入力には1つのSEVIRI赤外チャネル(10.8m波長)が使用され、これは1時間に4回観測される。 2段階のトレーニング戦略を適用し、最大4時間前に降雨予測を生成する。
  論文  参考訳（メタデータ） (2025-11-14T11:51:59Z)
• Signature Kernel Scoring Rule as Spatio-Temporal Diagnostic for Probabilistic Forecasting [3.4161707164978137]
  我々は、時間的および空間的依存関係を符号化する連続経路として、気象変数を再構成するシグネチャカーネルスコアリングルールを導入する。 WeatherBench 2モデルの気象スコアカードによる経験的評価は、署名カーネルスコアリングルールの高い識別力を示している。 我々は、ERA5再解析気象データに基づいて、予測逐次スコアリングルールを用いて、滑り窓生成ニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2025-10-21T22:15:20Z)
• WeatherFormer: A Pretrained Encoder Model for Learning Robust Weather Representations from Small Datasets [0.5735035463793009]
  WeatherFormerは、最小限の観測から堅牢な気象特徴を学習するために設計されたトランスフォーマーエンコーダベースのモデルである。 ウェザーホルマーは、アメリカ大陸の39年間の衛星観測による大規模な事前訓練データセットで事前訓練された。
  論文  参考訳（メタデータ） (2024-05-22T17:43:46Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• 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)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• 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。