論文の概要: Benchmarking Generative Models for Near-Surface Data Assimilation on Real Station Observations

• arxiv url: http://arxiv.org/abs/2610.00728v2
• Date: Wed, 07 Oct 2026 01:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:15:05.6371
• Title: Benchmarking Generative Models for Near-Surface Data Assimilation on Real Station Observations
• Title（参考訳）: 実局観測における近面データ同化のためのベンチマーク生成モデル
• Abstract要約: 本稿では,気象観測所の観測から得られた1時間近地解析のための生成データ同化の最初のベンチマークを示す。 このベンチマークは、従来の3D-Varベースラインに対して生成データ同化のために提案された主要な設計選択と比較する。 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. Recent advances in 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 improve real-world data assimilation. We present the first controlled benchmark of generative data assimilation for single-time near-surface analysis from real weather station observations. Using 11,849 NOAA MADIS stations across the contiguous United States and four near-surface variables, we hold the dataset, observation operator, and deep learning architecture fixed, and measure spatial generalization at held-out stations. The benchmark compares the major design choices proposed for generative data assimilation, 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 conclusions. First, the best generative methods outperform 3D-Var (35.7% vs. 33.3% RMSE improvement over ERA5), although 3D-Var receives the ERA5 field at the analysis time as its background and the generative methods receive none. 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. Both advantages widen when stations are sparse. Together, these results identify which components of generative data assimilation improve spatial generalization in near-surface analysis.
• 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。 深層生成モデルの最近の進歩は、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、より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、どの設計選択が現実世界のデータ同化を改善するかは明らかになっていない。 本稿では,気象観測所の観測から得られた1時間近地分析のための生成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つの近地変数を用いて,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,ホールドアウトステーションにおける空間一般化を測定した。 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、生成データ同化のために提案された主要な設計選択を比較した。 ベンチマークでは3つの結論が示されている。 第一に、最も優れた生成法は3D-Var(ERA5よりも35.7%、RMSEは33.3%)より優れているが、3D-Varは解析時のERA5フィールドを背景として受け取り、生成法は受け取らない。 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。 どちらのアドバンテージも、駅が狭くなれば拡大する。 これらの結果から, 生成データ同化のどの成分が空間一般化を促進させるかが明らかになった。

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。