論文の概要: Skillful Data-Driven Subseasonal Soil Moisture Forecasting: Prospects and Limits for Flash Drought Prediction

• arxiv url: http://arxiv.org/abs/2610.07060v1
• Date: Mon, 05 Oct 2026 06:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.538063
• Title: Skillful Data-Driven Subseasonal Soil Moisture Forecasting: Prospects and Limits for Flash Drought Prediction
• Title（参考訳）: 熟練したデータ駆動型土壌水分予測:フラッシュ干ばつ予測の展望と限界
• Abstract要約: ヨーロッパにおけるS2Sの土壌水分予測において,予測技術は,予測モデル自体と同様に予測問題を定式化する方法に大きく依存することを示した。 両経路の時間的・空間的注意を兼ね備えたビジョントランスフォーマーアーキテクチャを用いて,残差学習が持続性より優れていることを示す。 2021-2022年におけるディープラーニングおよび運用ECMWF S2Sのベースラインに対するベンチマークにより,本モデルは,すべてのリードタイムにおいて最も決定的かつ確率的なスキルを達成している。
• 参考スコア（独自算出の注目度）: 0.34875901464487297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite substantial progress in short-to-medium-range weather forecasting, predicting high-impact events such as flash droughts remains a key challenge for both early warning operations and physically-based subseasonal-to-seasonal (S2S) prediction systems. Here we demonstrate that, for S2S soil-moisture forecasting over Europe, forecast skill depends as much on how the prediction problem is formulated as on the forecasting model itself. Using a Vision Transformer-based architecture with dual-pathway temporal and spatial attention, we show that residual learning is essential to outperform persistence. This advantage is realized only when forecasting root-zone soil moisture in physical units rather than standardized anomalies, revealing that the target representation itself constrains predictability. A probabilistic extension via quantile-head fine-tuning further provides well-calibrated predictive distributions. Benchmarked against deep-learning and operational ECMWF S2S baselines over 2021-2022, our model achieves the highest deterministic and probabilistic skill at all lead times and reliably detects anomalously dry root-zone states (below the 20th percentile). Yet flash drought onset, defined by multi-pentad intensification criteria, remains a fundamental challenge shared across all current S2S systems. These findings advance data-driven S2S soil-moisture forecasting while highlighting the remaining challenge of predicting rapid drought development.
• Abstract（参考訳）: 短距離から短距離の天気予報が大幅に進歩したにもかかわらず、フラッシュ干ばつなどの高影響事象の予測は、早期警戒操作と物理的にベースとしたサブシーズン・ツー・シーズン予測システム(S2S)の双方にとって重要な課題である。 ここでは, ヨーロッパにおけるS2Sの土壌水分分布予測において, 予測技術は予測モデル自体と同様に, 予測問題を定式化する方法に大きく依存することを示した。 両経路の時間的・空間的注意を兼ね備えたビジョントランスフォーマーアーキテクチャを用いて,残差学習が持続性より優れていることを示す。 この利点は、標準化された異常ではなく、物理単位の根圏土壌水分を予測する場合にのみ実現され、対象表現自体が予測可能性に制約があることを明らかにする。 量子ヘッド微細チューニングによる確率的拡張は、さらによく校正された予測分布を提供する。 2021-2022年における深層学習と運用のECMWF S2Sベースラインに対してベンチマークを行った結果,本モデルはすべてのリードタイムにおいて最も決定論的かつ確率的なスキルを達成し,不均一に乾燥した根圏状態(20パーセント以下)を確実に検出する。 しかし、マルチペンタッド強度基準で定義されたフラッシュ干ばつは、現在のS2Sシステムで共有される根本的な課題である。 これらの結果から, 急激な干ばつ発生予測の課題を浮き彫りにしながら, データ駆動型S2S土壌水分予測を推し進めた。

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)
• A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS [0.410492188035848]
  本研究では,拡散に基づくディープラーニング(DL)フレームワークを,入力源のみが異なる3つの残差予測戦略を体系的に比較する。 予測は1kmの空間解像度で生成され、1時間の直接予測から始まり、自動回帰ロールアウトを使用して12時間まで延長される。
  論文  参考訳（メタデータ） (2025-12-09T19:23:27Z)
• DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models [0.27104259437944106]
  季節的・季節的な予測(S2S)は、エネルギーセクターに重大な社会経済的優位性をもたらす可能性がある。 DiffScaleは連続的なダウンスケール要因やリードタイムの空間情報を超解する拡散モデルである。 予測品質が大幅に向上し,ベースラインが最大3.5%向上した。
  論文  参考訳（メタデータ） (2025-03-31T09:44:28Z)
• 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)
• PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
  確率的予測が可能な条件付き潜伏拡散モデルを開発した。 予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
  論文  参考訳（メタデータ） (2023-07-19T19:19:13Z)

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。