論文の概要: Global Evaluation of AI and NWP Precipitation Forecasts During Atmospheric River Events
- arxiv url: http://arxiv.org/abs/2610.03758v1
- Date: Sat, 26 Sep 2026 22:16:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 05:24:47.333655
- Title: Global Evaluation of AI and NWP Precipitation Forecasts During Atmospheric River Events
- Title（参考訳）: 大気河川イベントにおけるAIおよびNWP降雨予測のグローバル評価
- Abstract要約: 我々はGlobal Forecast System(GFS)、Global Ensemble Forecast System(GEFS)、GraphCast、AIFS(AIFS)の24時間降水予測を評価する。
降水量,空間構造,局在の測定値を用いて,GPM(IMERG)観測のための総合的マルチサテライトE検索に対して予測値を評価した。
GraphCast と AIFS は GFS や GEFS よりも空間的スキルが優れており、特に降水量が多く、リード時間が長く、AR に関連する降水の空間的構造を 10 日目まで保存する。
- 参考スコア（独自算出の注目度）: 1.346560981110451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric rivers (ARs) produce many of the world's most extreme precipitation events and hydrometeorological hazards. Although artificial intelligence weather prediction (AIWP) models have demonstrated skill comparable to or exceeding numerical weather prediction (NWP) systems for large-scale atmospheric variables, their ability to forecast AR-related precipitation remains insufficiently characterized globally. Here, we evaluate 24-hour precipitation forecasts from the Global Forecast System (GFS), Global Ensemble Forecast System (GEFS), GraphCast, and Artificial Intelligence Forecasting System (AIFS) from Day 1 through Day 10 globally and across North America, Europe, and Australia and New Zealand. Using the Extreme Weather Bench framework, forecasts are evaluated against Integrated Multi-satellitE Retrievals for GPM (IMERG) observations using measures of precipitation magnitude, spatial structure, and localization. GraphCast and AIFS exhibit greater spatial skill than GFS and GEFS, particularly for heavy precipitation and at longer lead times, and better preserve the spatial organization of AR-related precipitation through Day 10. However, this improved spatial skill does not translate into accurate precipitation magnitudes. AIWP models tend to overpredict moderate-to-heavy accumulations while underpredicting the heaviest precipitation at longer lead times, whereas NWP systems develop pronounced dry biases. These results reveal distinct strengths and limitations of AIWP for high-impact precipitation forecasting and provide a reproducible benchmark.
- Abstract（参考訳）: 大気中の川 (AR) は、世界で最も極端な降水現象や水文気象学上の危険をもたらす。
人工知能天気予報(AIWP)モデルは、大規模大気変数に対する数値気象予報(NWP)システムに匹敵するスキルを実証しているが、AR関連降水量の予測能力は世界規模ではまだ不十分である。
ここでは,グローバル・フォアキャスティング・システム(GFS),グローバル・アンサンブル・フォアキャスティング・システム(GEFS),グラフCast,人工知能・フォアキャスティング・システム(AIFS)の24時間降水予測について,北米,ヨーロッパ,オーストラリア,ニュージーランドで評価した。
極端気象ベンチフレームワークを用いて,降水量,空間構造および局地性の測定値を用いて,GPM(IMERG)観測における統合マルチサテライトE検索に対する予測を評価する。
GraphCast と AIFS は GFS や GEFS よりも空間的スキルが優れており、特に降水量が多く、リード時間が長く、AR に関連する降水の空間的構造を 10 日目まで保存する。
しかし、この改良された空間技術は正確な降水量には変換されない。
AIWPモデルは、より長いリード時間で最も重い降水量を予測する一方で、中程度から重い降水量を過大に予測する傾向にある。
これらの結果から,高インパクト降水予測におけるAIWPの強度と限界が明らかとなり,再現可能なベンチマークが得られた。
関連論文リスト
- Suitable Measures for the Potential Operational Utility of AI NWP Rainfall Forecasts Over Africa [0.39348763368961404]
人工知能(AI)ベースの天気予報は、計算コストのごく一部で物理数値天気予報(NWP)システムのスキルに近づいている。
これは特にアフリカにとって有望なことであり、降雨が極端に激しくなり、多くの予測センターでは、長いリードタイムで物理モデルを実行するためのインフラが欠如している。
本稿では,アフリカにおける降雨予測のための物理NWPモデルIFSとGraphCast,GenCast,Functional Generative Network(FGN)の校正比較を行った。
論文 参考訳（メタデータ） (2026-09-24T18:09:48Z) - UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。
GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。
自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
論文 参考訳（メタデータ） (2026-09-02T08:37:27Z) - Bridging short- and medium-range weather forecasting with machine learning [0.3029402867368034]
Nested-EAGLE: 大陸性アメリカ合衆国(CONUS)を6kmの高度で改良した0.25地球規模の気象モデルについて紹介する。
このモデルは、平均二乗誤差をCONUSよりもかなり低い表面および低レベルの量で達成する。
本研究では,高分解能な地域分析データをトレーニングに取り入れることによって,表面近傍の分野のスキル向上がもたらされることを示す。
論文 参考訳（メタデータ） (2026-08-27T09:01:11Z) - 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) - MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。
AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。
モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
論文 参考訳（メタデータ） (2025-09-02T01:51:40Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - 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) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Short-range forecasts of global precipitation using deep
learning-augmented numerical weather prediction [0.11726720776908518]
深層学習によるNWPモデルの出力を増大させ,短距離のグローバル降水量1-,2-,3日間のリードタイムを改善するハイブリッドモデルを作成する。
ハイブリッド化のために,全フィールドを立方体球投影に変換するDLWP-CSアーキテクチャを改良して,グローバルデータの時間性に対処する。
深層学習の強化 CFSv2 は CFSv2 と比較して 1 日リードで重要な土地に対する平均バイアスを 8 倍削減する。
論文 参考訳（メタデータ） (2022-06-23T12:49:36Z)
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。