論文の概要: Benchmarking Generative Models for Weather Data Assimilation on Real Station Observations

• arxiv url: http://arxiv.org/abs/2610.00728v1
• Date: Wed, 30 Sep 2026 21:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.770663
• Title: Benchmarking Generative Models for Weather Data Assimilation on Real Station Observations
• Title（参考訳）: 実局観測における気象データ同化のためのモデルベンチマーク
• Abstract要約: 本稿では,実際の気象観測における気象データ同化に関する最初のベンチマークを示す。 このベンチマークでは、拡散対フローマッチング、ピクセル対ラテント空間の定式化、複数の推論時条件付け戦略など、主要な設計選択を比較している。 完全な段階的なガイダンスは、停止段階と初期ノイズ最適化を一貫して上回る。
• 参考スコア（独自算出の注目度）: 6.656395692721108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather reanalysis products rely on computationally intensive numerical weather predictions followed by data assimilation that corrects the forecast toward observations. Deep generative models offer a cheaper alternative that shifts much of this cost from inference to offline training. However, existing generative approaches have been evaluated on synthetic observations or under different datasets and evaluation schemes, making it unclear which design choices actually improve real-world data assimilation. We present the first controlled benchmark of generative weather data assimilation on real weather station observations. Using 11,849 NOAA MADIS stations across the contiguous United States and four weather variables, we evaluate methods while holding the dataset, observation operator, and deep learning architecture fixed. The benchmark compares the major design choices, including diffusion versus flow matching, pixel versus latent-space formulations, and multiple inference-time conditioning strategies, against a classical 3D-Var baseline. The benchmark reveals three clear conclusions. First, learned generative priors outperform the Gaussian prior of 3D-Var (35.7% vs. 33.3% RMSE reduction over ERA5) despite using no ERA5 background field at inference. Second, full-gradient guidance consistently outperforms stop-gradient and initial-noise optimization. Third, other choices provide little measurable benefit: diffusion and flow matching perform nearly identically under matched conditions, and latent-space variable mixing does not help. We further evaluate both dense and sparse station settings and find advantages from generative AI and full-gradient guidance more pronounced under sparsity. Together, these results identify which components of generative weather data assimilation improve performance on real station observations and establish a standardized benchmark for future work.
• Abstract（参考訳）: 気象分析製品は、計算集約的な数値的な天気予報と、観測に対する予測を補正するデータ同化に依存している。 深層生成モデルは、このコストの大部分を推論からオフライントレーニングにシフトさせる、安価な代替手段を提供する。 しかし、既存の生成的アプローチは、合成観測や異なるデータセットや評価スキームに基づいて評価されており、どの設計選択が実際のデータ同化を実際に改善するかは明らかになっていない。 本稿では,実際の気象観測における気象データ同化の制御基準について紹介する。 11,849のNOAAMADISステーションと4つの気象変数を用いて,データセット,観測演算子,ディープラーニングアーキテクチャを固定した上で,手法の評価を行った。 このベンチマークは、拡散対フローマッチング、ピクセル対ラテント空間の定式化、および古典的な3D-Varベースラインに対する複数の推論時条件付け戦略を含む主要な設計選択を比較している。 ベンチマークでは3つの明確な結論が示されている。 まず、3D-Var(ERA5に対するRMSEの減少率は35.7%対33.3%)よりも、ERA5の背景場を使用しないにもかかわらず、学習された生成前はガウスの3D-Varよりも優れていた。 第二に、完全な段階的なガイダンスは、停止段階の最適化と初期ノイズ最適化を一貫して上回る。 拡散と流れのマッチングは一致した条件下でほぼ同一であり、潜在空間変数の混合は役に立たない。 さらに、疎密な局設定と疎密な局設定の両方を評価し、生成的AIとフルグレートガイダンスの利点を見出す。 これらの結果から, 気象データ同化による実局観測の性能向上が図られ, 今後の作業の基準となるベンチマークが確立された。

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)
• 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)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
  我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。 本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。 私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
  論文  参考訳（メタデータ） (2024-09-14T08:53:46Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• A Benchmark for AI-based Weather Data Assimilation [10.100157158477145]
  本研究では,シミュレーション観測,実世界観測,ERA5再解析により構築したベンチマークであるDABenchを提案する。 実験の結果,4DVarFormerV2とSformerを統合したエンド・ツー・エンドの天気予報システムが実世界の観測を同化できることが確認された。 提案されているDABenchは、AIベースのDA、AIベースの天気予報、および関連するドメインの研究を大幅に前進させる。
  論文  参考訳（メタデータ） (2024-08-21T08:50:19Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。