論文の概要: M$^2$Weather: A Benchmark for Joint Multi-Station and Multi-Variable Weather Forecasting

• arxiv url: http://arxiv.org/abs/2610.00370v1
• Date: Wed, 30 Sep 2026 06:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.623974
• Title: M$^2$Weather: A Benchmark for Joint Multi-Station and Multi-Variable Weather Forecasting
• Title（参考訳）: M$^2$Weather: 連立多段階気象予測と多変数気象予測のためのベンチマーク
• Abstract要約: 我々はM2$Weatherという共同マルチステーションと多変量気象予報のためのベンチマークを紹介した。 我々は、フランス、ヨーロッパ、グローバルの3つの空間スケールで、5つの物理的に結合した気象変数を持つ2,809の高品質なステーションを収集した。 また、異なるステーション変数モデリングパラダイムの公平な比較を可能にするため、統一的なトレーニングおよび評価プロトコルも導入する。
• 参考スコア（独自算出の注目度）: 35.9487876877043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Station weather forecasting is fundamentally shaped by both complex spatial dependencies across stations and strong physical coupling among weather variables. However, existing studies often consider these relationships separately and use different datasets and experimental settings, hindering systematic assessment of their individual and joint contributions. In this paper, we introduce $M^2$Weather, a benchmark for joint multi-station and multi-variable weather forecasting. Through multi-criteria quality control and station stratification, we collect 2,809 high-quality stations with 5 physically coupled weather variables across three spatial scales: France, Europe, and Global. This multi-scale design lets us examine whether conclusions persist from national to global station networks. We also introduce unified training and evaluation protocols to enable fair comparison of different station-variable modeling paradigms. To further examine the benefits of modeling station-variable relationships, we design a lightweight, plug-and-play adapter. With a trained weather forecasting model, this adapter can introduce missing station or variable relationships without retraining the model. This enables fair and efficient investigation of station-variable relationships. Systematic evaluation of 16 representative models shows the benefits of jointly modeling station and variable relationships. Completing missing relationships further reduces MSE for all adapted models on all three datasets. Together, these results identify the complementary information across stations and variables as an important resource for improving station weather forecasting. Our code can be obtained at https://github.com/hnu-vis/M2-Weather.
• Abstract（参考訳）: 観測所の天気予報は、観測所間の複雑な空間的依存関係と、気象変数間の強い物理的結合により、基本的に形作られる。 しかし、既存の研究では、これらの関係を個別に考慮し、異なるデータセットと実験的な設定を使用することで、個々の貢献と共同貢献の体系的な評価を妨げることがしばしばある。 本稿では,M^2$Weatherについて紹介する。 マルチ基準品質制御とステーション階層化により,フランス,ヨーロッパ,グローバルの3つの空間スケールで,物理的に結合した5つの気象変数を持つ2,809の高品質な局を収集した。 このマルチスケール設計により,全国的な局網からグローバルな局網まで,結論が持続するかどうかを検証できる。 また、異なるステーション変数モデリングパラダイムの公平な比較を可能にするため、統一的なトレーニングと評価プロトコルも導入する。 ステーション変数関係をモデル化する利点をさらに検討するため,我々は軽量なプラグアンドプレイアダプタを設計する。 このアダプタは、訓練された天気予報モデルを用いて、モデルを再訓練することなく、欠落した駅や変動する関係を導入することができる。 これにより、ステーション変数関係の公平かつ効率的な調査が可能になる。 16の代表的なモデルの体系的評価は、共同モデリングステーションと変数関係の利点を示している。 欠落した関係を補完すると、3つのデータセットの全ての適応モデルに対するMSEはさらに減少する。 これらの結果から,駅の天気予報のための重要な資料として,駅・変数間の相補的な情報を見いだすことができた。 私たちのコードはhttps://github.com/hnu-vis/M2-Weatherで取得できます。

関連論文リスト

• SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models [88.64689505355055]
  我々は、データ準備から長距離推論まで、インタラクティブなビデオワールドモデルを構築するための完全にオープンな基盤であるSolarWMを紹介した。 SolarWMは、再構成可能なマルチソースデータエンジンとバックボーンネイティブ適応フレームワークとの結合に対処する。 Wan2.2、LTX-2.5、MiniMax-H3に基づく4つの5B-33Bモデルを、ネイティブ表現と目的を保存しながらインスタンス化する。 結果として生じる因果モデルにより、わずか5秒のシーケンスでトレーニングされた数分から数時間のロールアウトをリアルタイムに対話することができる。
  論文  参考訳（メタデータ） (2026-09-02T17:59:41Z)
• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting [22.401627283181046]
  StationPDEは、ステーション指向表面PDE学習モデルである。 物理的進化は、表面の風力輸送と上層大気の推論に分解される。 Weather2KとMeteoNetの実験によると、StationPDEは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-20T05:16:47Z)
• MP3: Multi-Period Pattern Pre-training for Spatio-Temporal Forecasting [7.054917745418627]
  既存のグラフニューラルネットワーク(STGNN)は、時間的ミラージュを効果的に識別できない。 MP3は、時間的ミラージュを区別するプラグインである。 平均MP3では、MAE 4.7%とRMSE 5.0%が減少する。
  論文  参考訳（メタデータ） (2026-06-11T09:48:18Z)
• 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)
• AquaCast: Urban Water Dynamics Forecasting with Precipitation-Informed Multi-Input Transformer [3.3333213240832134]
  本研究は,マルチインプット・マルチアウトプット深層学習モデルを開発することにより,都市水力学の予測課題に対処する。 モデルであるAquaCastは、すべての入力にまたがる変数間および時間的依存関係をキャプチャする。 都市排水センサを4つ搭載したLasanneCityデータセットについて検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:42:34Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)

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。