論文の概要: S2S-JEPA: Predicting the Predictable at Subseasonal-to-Seasonal Timescales

• arxiv url: http://arxiv.org/abs/2610.03106v1
• Date: Fri, 02 Oct 2026 10:26:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.326173
• Title: S2S-JEPA: Predicting the Predictable at Subseasonal-to-Seasonal Timescales
• Title（参考訳）: S2S-JEPA:S2S-JEPAにおける予測可能量の予測
• Abstract要約: より物理的に根ざした目的は、予測可能なゆっくりと変化するコンポーネントのみを予測することである、と我々は主張する。 コンピュータビジョンはJEPA(Joint-Embedding Predictive Architecture)と同じ結論に達した。 S2S-JEPAは、金標準のECMWF物理ベースのアンサンブルと同等のスキルを達成し、5～6週の複数のメトリクスでそれを上回っている。
• 参考スコア（独自算出の注目度）: 7.144595192407169
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The subseasonal-to-seasonal (S2S) timescale, roughly from two weeks to two months ahead, is a critical forecast window for sectors such as agriculture, energy, and water management. Yet, it is widely known as the `predictability desert'. Recent AI weather models excel up to two weeks ahead but deteriorate beyond, largely because they are trained to predict fine-scale details that are neither predictable nor essential at S2S timescales. We argue that a more physically grounded objective is to forecast only the slowly varying components that remain predictable. Computer vision reached the same conclusion with the Joint-Embedding Predictive Architecture (JEPA), which predicts in latent space, discarding unpredictable details. In this work, we introduce S2S-JEPA, which brings the JEPA paradigm to S2S forecasting. It is tailored to this task through design elements from state-of-the-art AI weather models. S2S-JEPA achieves comparable skill to the gold-standard ECMWF physics-based ensemble and surpasses it on multiple metrics at weeks 5 to 6.
• Abstract（参考訳）: サブシーズン・ツー・シーズン(S2S)のタイムスケールは、およそ2週間から2ヶ月前に行われ、農業、エネルギー、水管理といった分野にとって重要な予測窓口となっている。 しかし、この砂漠は「予測可能性砂漠」として広く知られている。 最近のAI天気モデルは、最大で2週間先まで上昇するが、S2Sの時間スケールでは予測不可能でも必須でもない細部を予測できるように訓練されているため、さらに悪化する。 より物理的に根ざした目的は、予測可能なゆっくりと変化するコンポーネントのみを予測することである、と我々は主張する。 コンピュータビジョンはJEPA(Joint-Embedding Predictive Architecture)と同じ結論に達した。 本稿では,S2S予測にJEPAパラダイムを導入するS2S-JEPAを紹介する。 このタスクは、最先端のAI天気モデルの設計要素によってカスタマイズされる。 S2S-JEPAは、金標準のECMWF物理ベースのアンサンブルと同等のスキルを達成し、5～6週の複数のメトリクスでそれを上回っている。

関連論文リスト

• Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction [7.457194039590938]
  S2S予測可能性は時間的・空間的・大規模パターンコヒーレンスにまたがって構成されていることを示す。 これらの結果は、予測システムを改善し、実際に使用することを通知するための、より解釈可能な基盤を提供する。
  論文  参考訳（メタデータ） (2026-05-07T20:19:23Z)
• Deep Learning Meets Teleconnections: Improving S2S Predictions for European Winter Weather [2.3440344026824125]
  季節と季節の時間スケールの予測は2週間から2ヶ月である。 成層圏極渦(SPV)やマデン=ジュリア振動(MJO)のようなテレコネクションは、予測可能性を高める窓を提供する。 我々は、北大西洋-欧州の気象状況を予測するためのディープラーニングアーキテクチャを開発し、評価した。
  論文  参考訳（メタデータ） (2025-04-10T10:23:07Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• ChaosBench: A Multi-Channel, Physics-Based Benchmark for Subseasonal-to-Seasonal Climate Prediction [23.075528272022282]
  本稿では,データ駆動型気象エミュレータの予測可能性範囲をS2Sタイムスケールに拡張するChaosBenchを提案する。 ChaosBench は、海、氷、土地の再分析生成物を含む、典型的な大気圏 ERA5 以外の変数で構成されている。 我々は、4つの国家気象機関による物理ベースの予測を、我々のデータ駆動の予測のベースラインとして評価した。
  論文  参考訳（メタデータ） (2024-02-01T16:07:12Z)
• FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models [13.852128658186876]
  FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、グローバルな日平均予測を最大42日間提供する機械学習モデルである。 ECMWF ERA5の再分析データから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルを上回っている。
  論文  参考訳（メタデータ） (2023-12-15T16:31:44Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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。