論文の概要: Artificial intelligence pathways from weather to climate
- arxiv url: http://arxiv.org/abs/2610.09770v1
- Date: Wed, 07 Oct 2026 09:52:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.841222
- Title: Artificial intelligence pathways from weather to climate
- Title（参考訳）: 気象から気候への人工知能の経路
- Abstract要約: 大気のリアナライズで訓練された自己回帰モデルは、現在、ユーキャスティング、中距離、およびシーズンごとのリードタイムにまたがって、動的モデルと競合している。
我々はこれらの進歩を概観し、気候の地平線への拡張を検討する。そこでは、課題は、初期条件のスキルから、変更された強制の下で信頼できる統計応答を生み出すことへ移行する。
- 参考スコア（独自算出の注目度）: 24.326562380558553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has made rapid advances in weather forecasting: autoregressive models trained on atmospheric reanalyses now rival dynamical models across nowcasting, medium-range, and subseasonal-to-seasonal lead times, producing well-calibrated ensemble forecasts at reduced cost. We review these advances and consider their extension to climate horizons, where the challenge shifts from initial-condition skill to producing reliable statistical responses under altered forcings. AI-powered climate prediction systems must produce credible forced responses to drivers (e.g., greenhouse gases, land-use change) typically outside the observed record. We propose two minimum requirements for AI in climate modeling: (i) external forcing agents must enter explicitly enough to support interventions in which they vary independently; and (ii) robustness must be stress-tested in out-of-distribution regimes, including extremes and counterfactual trajectories. Using leading AI autoregressive emulators and hybrid physics-AI models, we identify development and coupling challenges. Comparing the reported throughput of these models with that of GPU-ported dynamical models highlights how AI can reduce time-to-solution by advancing only the target variables at the required resolution and using longer time steps, rather than integrating a full high-frequency, multivariate state. Diverse AI downscaling strategies can partially substitute for explicit fine-scale resolution, paving the way toward inexpensive local hazard assessment across prediction horizons.
- Abstract（参考訳）: 深層学習は天気予報を急速に進歩させてきた: 大気再分析で訓練された自己回帰モデルは、現在、ユーキャスティング、中距離、およびシーズンごとのリードタイムにまたがる動的モデルと競合し、コストを下げてうまく校正されたアンサンブル予測を生み出している。
我々はこれらの進歩を概観し、気候の地平線への拡張を検討する。そこでは、課題は、初期条件のスキルから、変更された強制の下で信頼できる統計応答を生み出すことへ移行する。
AIを利用した気候予報システムは、一般的に観測された記録の外側で運転者(例えば温室効果ガス、土地利用の変化)に信頼できる強制応答を起こさなければならない。
気候モデルにおけるAIの最低要件を2つ提案する。
一 外部強制エージェントは、独立して異なる介入を支援するために、明示的に介入しなければならない。
(II) 極端性や反事実的軌道を含む非分配的体制において、頑健性はストレステストされなければならない。
主要なAI自動回帰エミュレータとハイブリッド物理AIモデルを使用して、開発と結合の課題を特定します。
これらのモデルの報告されたスループットとGPUポートされた動的モデルのスループットを比較すると、AIが完全な高周波多変量状態を統合するのではなく、必要な解像度でターゲット変数のみを前進させ、より長い時間ステップを使用することで、解決までの時間を短縮する方法が強調される。
さまざまなAIダウンスケーリング戦略は、部分的には明示的な微妙な解決に取って代わることができ、予測地平線を越えた安価な局所的危険評価への道を開くことができる。
関連論文リスト
- SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。
我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。
高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
論文 参考訳（メタデータ） (2026-06-22T15:00:59Z) - Toward generative machine learning for boosting ensembles of climate simulations [0.0]
気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。
cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
論文 参考訳（メタデータ） (2026-02-06T00:54:19Z) - Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。
WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。
我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文 参考訳（メタデータ） (2025-12-09T17:20:56Z) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - Learning to generate physical ocean states: Towards hybrid climate modeling [1.5845117761091052]
オーシャン・ジェネラル・サーキュレーション・モデル (Ocean General Circulation Models) は、平衡状態に達するためには広範な計算資源を必要とする。
ディープラーニングエミュレータは、高速な予測を提供するが、気候科学者に必要な物理的解釈可能性や長期的な安定性は欠如している。
我々は、深部生成モデルを利用して物理的に一貫した海洋状態を生成することにより、両方の世界から最善を尽くすことを提案する。
論文 参考訳（メタデータ） (2025-02-04T17:14:41Z) - Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。
このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
論文 参考訳（メタデータ） (2024-10-02T17:31:01Z) - Ensemble data assimilation to diagnose AI-based weather prediction model: A case with ClimaX version 0.3.1 [0.0]
本研究では,AIに基づく天気予報モデルの診断にアンサンブルデータ同化を用いた手法を提案する。
AIベースのモデルであるClimaXを用いた実験では、AIベースの天気予報モデルに対して、アンサンブルデータ同化が安定して周期化されることが実証された。
論文 参考訳（メタデータ） (2024-07-25T05:22:08Z) - 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) - Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。
不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。
我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:49:11Z)
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。