論文の概要: Varda-single-1.0: deterministic data-driven weather forecasting at 1 km resolution over Switzerland's complex topography

• arxiv url: http://arxiv.org/abs/2610.01835v1
• Date: Thu, 01 Oct 2026 15:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.21578
• Title: Varda-single-1.0: deterministic data-driven weather forecasting at 1 km resolution over Switzerland's complex topography
• Title（参考訳）: Varda-single-1.0: スイスの複雑な地形上の1km分解能における決定論的データ駆動気象予測
• Abstract要約: Varda-Single(ヴァルダ・シングル)は、アルパインドメイン向けに開発された中距離のデータ駆動型気象予報システムである。 1kmメッシュの時間的決定論的地域予測と31kmメッシュの世界的な予測を提供する。
• 参考スコア（独自算出の注目度）: 0.32376616760947136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Varda-single-1.0, a medium-range data-driven weather prediction system built for the Alpine domain. It provides hourly deterministic regional forecasts on a mesh of 1 km resolution and global forecasts on a 31 km mesh. The system comprises two independently trained stretched-grid Graph Transformer models with encoder-processor-decoder architecture, developed in the Anemoi framework: a 6-hourly autoregressive forecaster and a temporal downscaler reconstructing hourly forecasts between the forecaster's steps. Its training curriculum includes pre-training on ERA5 reanalysis data, followed by training on a 20-year kilometre-scale regional reanalysis, and finally fine-tuning on operational kilometre-scale analyses. Verified over one year against operational analyses and surface station observations, Varda-single is competitive with or improves on MeteoSwiss' operational numerical weather prediction baselines for most headline scores and variables. It broadly matches the skill of the high-resolution 1 km ICON-CH1-EPS control at lead times up to +33 h and generally outperforms the 2 km ICON-CH2-EPS control at lead times up to +120 h. Despite competitive aggregate scores, Varda-single underestimates some local wind maxima and produces overly smooth convective precipitation fields, consistent with the smoothing associated with squared-error training. To gain insight into the model's behaviour, we investigate three case studies beyond the aggregated headline scores, and find particular weaknesses in Varda-single's representation of local winds over complex terrain. Varda-single represents an important step in the development of high-resolution ML forecasting over complex terrain, in complementing the operational regional numerical weather prediction models of MeteoSwiss with data-driven models and in providing a pretrained model for researchers and user-specific applications.
• Abstract（参考訳）: 本稿では,アルペンドメイン向けに構築された中距離データ駆動気象予報システムであるVarda-single-1.0を提案する。 1kmメッシュの時間的決定論的地域予測と31kmメッシュの世界的な予測を提供する。 このシステムは、Anemoiフレームワークで開発されたエンコーダ・プロセッサ・デコーダアーキテクチャを備えた、2つの独立に訓練された拡張グリッドグラフトランスフォーマーモデルで構成されている。 訓練カリキュラムには、ERA5の再分析データの事前トレーニング、20年間にわたる地域再分析のトレーニング、そして最終的に運用キロスケールの分析の微調整が含まれる。 運用分析と地上局の観測に対して1年以上にわたって検証されたヴァルダ・シングルは、ほとんどの見出しスコアと変数に対するMeteoSwissの運用上の数値天気予報基準と競合するか改善している。 高解像度の1 km ICON-CH1-EPS 制御を +33 h までリードし、通常 2 km ICON-CH2-EPS 制御を +120 h までリードする。 競争的な総合スコアにもかかわらず、ヴァルダ・シングルは局所的な最大風速を過小評価し、過度に滑らかな対流降水場を生成し、正方形エラー訓練に伴う滑らかさと一致している。 モデルの振舞いを把握するために,集計された見出しスコアを超える3つのケーススタディを調査し,複雑な地形上の局所風を表すヴァルダ・シングルの表現に特有の弱点を見出した。 Varda-Singleは複雑な地形上での高解像度ML予測の開発において重要なステップであり、MeteoSwissの運用地域数値天気予報モデルをデータ駆動モデルで補完し、研究者やユーザ固有のアプリケーションのために事前訓練されたモデルを提供する。

関連論文リスト

• Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields [1.9686770963118387]
  Apeliotesは高解像度気象予報のためのフレームワークである。 このモデルは、真理と予測場の間の誤差が3%未満の垂直風速分布を予測する。
  論文  参考訳（メタデータ） (2026-07-19T02:50:58Z)
• AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion [1.0745467668389186]
  大気超解法の基礎モデルであるAirCast-SRを導入し,時空間分解能において地球規模のAI天気予報を0.25度(28km)から1km水平分解能にダウンスケールし,同時に8つの結合曲面変数の67時間予測を生成する。 冬季, 夏季, 春季の3つのConUSケーススタディを対象に, EarthMind-SR を検証し, トレーニングや微調整を行なわずに, 独立した地上局観測を用いてインドとドイツにゼロショットのグローバルトランスファー可能性を実証した。 オープンウェイトの基礎モデルとして、EarthMind-SRは、キロスケールのAI天気予報と予測のための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-05-20T07:29:00Z)
• FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
  本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。 これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
  論文  参考訳（メタデータ） (2026-03-16T14:36:47Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)

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。