論文の概要: LoRA Adaptation Strength in Aurora-WRF: Trade-offs in Regional Heavy-Rainfall Forecasting
- arxiv url: http://arxiv.org/abs/2610.03747v1
- Date: Thu, 24 Sep 2026 11:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 19:26:55.472939
- Title: LoRA Adaptation Strength in Aurora-WRF: Trade-offs in Regional Heavy-Rainfall Forecasting
- Title（参考訳）: オーロラWRFにおけるLoRA適応強度:地域重雨予報におけるトレードオフ
- Abstract要約: 北京-天津-河北地域のオーロラ-WRF結合実験において,大気基盤モデルのパラメータ効率が下流域の降水量に与える影響について検討した。
未適応オーロラは, GFS制御の0.144と比較して, 平均臨界成功指数(CSI)が0.216であることがわかった。
これらの結果は,降雨検出,周波数校正,強度誤差のトレードオフを特徴とし,共通結合フレームワーク内の複数の下流基準に対する適応強度の評価の重要性を示した。
- 参考スコア（独自算出の注目度）: 9.678324003779002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate how parameter-efficient adaptation of an atmospheric foundation model affects downstream regional precipitation in a controlled Aurora-WRF coupling experiment over the Beijing-Tianjin-Hebei region. A single-step, precipitation-weighted LoRA adaptation of AuroraPretrained is trained on May-September 2020-2021 and selected using 2022 validation data. Five inference-time adaptation strengths are coupled to an unchanged 9-km WRF configuration and compared with a GFS-driven control under common ERA5 initialization and auxiliary-field rules. Evaluation uses 17 initializations in 2023, hourly ERA5 precipitation, and conservative remapping to a fixed 356-cell, 0.25-degree verification grid. Heavy rainfall is defined exclusively as at least 50 mm in a continuous 24-hour window, advanced hourly. For window starts from 0 to 48 hours, unadapted Aurora attains the highest mean critical success index (CSI), 0.216, compared with 0.144 for the GFS control. An intermediate LoRA strength of 0.75 reduces the Aurora-driven 24-hour precipitation mean squared error by 30.7% and brings pooled frequency Bias from 1.510 to 1.024, but lowers CSI to 0.182. GFS retains the lowest whole-domain error. These results characterize a trade-off between rainfall detection, frequency calibration, and intensity error, showing the importance of evaluating adaptation strength against multiple downstream criteria within a common coupling framework.
- Abstract（参考訳）: 北京-天津-河北地域のオーロラ-WRF結合実験において,大気基盤モデルのパラメータ効率が下流域の降水量に与える影響について検討した。
Aurora Pretrainedの降水量重み付きLoRA適応は2020-2021年5月から9月にかけて訓練され、2022年の検証データを用いて選択される。
5つの推論時間適応強度は、変化のない9kmのWRF構成に結合され、共通のERA5初期化および補助フィールドルールの下でのGFS駆動制御と比較される。
評価には2023年の17回の初期化、時間ごとのERA5降水、固定された356セルの0.25度の検証グリッドへの保守的な再マッピングが使用されている。
降水量は、24時間連続の窓で1時間に少なくとも50mmと定義されている。
ウィンドウは0時間から48時間に始まり、未適応のオーロラはGFS制御の0.144に比べて最高臨界成功指数(CSI)0.216に達する。
中間のLoRA強度は0.75で、オーロラ駆動の24時間平均降水量は30.7%減少し、プールされた周波数バイアスは1.510から1.024に減少するが、CSIは0.182に低下する。
GFSは最小のドメインエラーを保持する。
これらの結果は,降雨検出,周波数校正,強度誤差のトレードオフを特徴とし,共通結合フレームワーク内の複数の下流基準に対する適応強度の評価の重要性を示した。
関連論文リスト
- Low-rank tensor structure of precipitation and its application to satellite-reference merging [0.0]
この研究は、CANDECOMP/PARA分解を適用した連続した米国(US)のコンコンテンソルに対する毎日の降水を表す。
この発見に基づいて、この研究は、衛星の降水と希少な基準観測を統合するテンソルベースのフレームワークであるTMergeを提示する。
2019-2022年の間に、TMergeの相関関係は0.53から0.85に増加し、ルート平均誤差は48.2%、絶対誤差は29.3%減少した。
論文 参考訳（メタデータ） (2026-10-07T23:35:02Z) - An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean [45.41459301195536]
シーズン内予測は、早期から後期に単調に改善され、最新の予測ポイントではベースラインよりも約50%低い誤差に達する。
ShaPは、収穫年が長期の軌道のほとんどを説明するのに対し、季節内気象と農業環境の文脈は、主に年々変動を引き起こすことを示唆している。
論文 参考訳（メタデータ） (2026-09-29T19:40:09Z) - MAGPIE-Net: Predicting short-duration heavy-rainfall events in station neighborhoods from multitemporal FY-4A AGRI observations [5.170200431898208]
短時間の重雨警報は、1hの降水量が目標駅付近のしきい値を超えるかどうかを判断する。
殆どのディープラーニングの流し込み手法は、グリッド化された降水予測の後処理によってこれらの信号を局所的な警告に変換する。
我々は,地理的に適応し,異なるグリッド・ツー・ステーション・マッピングを経路に組み込んだMAGPIE-Netを提案する。
論文 参考訳（メタデータ） (2026-08-18T13:17:21Z) - SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland [2.7543347068089528]
我々は、粗大分解能AIFS予測をスイス上空の確率的kmスケール降水場に変換するリードタイム対応ダウンスケーリングフレームワークであるSwAIther-Precipを紹介した。
生成超解像の前にリードタイム依存バイアスを明示的に補正することは、グローバルAI降水予測の効率的なkmスケール確率的ダウンスケーリングの鍵となる。
論文 参考訳（メタデータ） (2026-05-15T16:42:45Z) - Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。
その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
論文 参考訳（メタデータ） (2025-11-12T00:13:37Z) - 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) - 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) - Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals
for GPM: A U-Net Convolutional LSTM Architecture [3.5776345196917254]
本稿では,30分毎の降水量を4時間のリードタイムでほぼ全世界的に予測する深層学習アーキテクチャを提案する。
このアーキテクチャは、U-Netと畳み込み長短期記憶(LSTM)ニューラルネットワークを融合させる。
GPM(IMERG)のための統合MultisatellitE Retrievalsのデータと、Global Forecast System(GFS)のいくつかの主要な降水ドライバを用いてトレーニングされている。
論文 参考訳（メタデータ） (2023-07-20T13:04:26Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z)
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。