論文の概要: Learning Kilometer-Scale Weather Prediction with Global-Regional Alignment
- arxiv url: http://arxiv.org/abs/2610.12401v1
- Date: Thu, 08 Oct 2026 17:43:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.233898
- Title: Learning Kilometer-Scale Weather Prediction with Global-Regional Alignment
- Title（参考訳）: グローバルレギュレーションアライメントを用いたカイロメータスケール気象予報の学習
- Abstract要約: 既存のデータ駆動アプローチは、大規模なガイダンスのための数値予測や、グローバルな予測コンポーネントのさらなるトレーニングを必要とすることが多い。
我々は,グローバル・レギュレーション・アライメントを通じてこれらの課題に対処する地域予測フレームワークであるScaleCastを提案する。
ERA5グローバル分析を用いた0.25度グリッドと5.5km間隔でのCERRA地域再分析実験は、地表および上層大気変数の地域予測の改善を実証している。
風雨ケーススタディではサイクロン位置とコア圧力の推定が改善し,HadISD観測との比較では局地温度と湿度の変化とほぼ一致している。
- 参考スコア（独自算出の注目度）: 19.75570635732504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kilometer-scale regional weather forecasting is essential for local weather warnings and weather-sensitive decisions. Existing data-driven approaches often rely on numerical forecasts for large-scale guidance or require additional training of global forecasting components. Pretrained global weather models offer an efficient source of large-scale forecasts, motivating their reuse to guide high-resolution regional prediction. However, this coupling requires aligning global and regional representations across different grids and integrating global guidance with local interactions to advance regional states. We propose ScaleCast, a regional forecasting framework that addresses these challenges through Global-Regional Alignment. Its Global-Regional Conversion module aligns joint global and regional representations with regional locations, while the Global-Regional Alignment and Dynamics block combines aligned guidance with regional neighborhood interactions. Experiments using ERA5 global analyses on a 0.25-degree grid and CERRA regional reanalysis at 5.5 km spacing demonstrate improved regional forecasts across surface and upper-air variables, with a single trained model supporting multiple global forecast drivers (i.e., Pangu-Weather, GraphCast, and HRES) without specific retraining. Fine-tuning on HRRR at 3 km spacing further demonstrates the framework's adaptability to a different regional domain and spatial resolution. Windstorm case studies show improved cyclone positioning and core-pressure estimates, while comparisons with HadISD station observations show closer agreement with local temperature and humidity changes.
- Abstract（参考訳）: キロメータースケールの地域気象予報は、地域気象予報や気象に敏感な判断に不可欠である。
既存のデータ駆動アプローチは、大規模なガイダンスのための数値予測や、グローバルな予測コンポーネントのさらなるトレーニングを必要とすることが多い。
事前訓練されたグローバル気象モデルは、大規模な予測の効率的な情報源を提供し、その再利用を高解像度の地域予測に導く動機付けている。
しかし、この結合には、異なるグリッドにまたがるグローバルおよび地域的な表現の整合化と、地域国家を前進させるための地域間相互作用とのグローバルなガイダンスの統合が必要である。
我々は,グローバル・レギュレーション・アライメントを通じてこれらの課題に対処する地域予測フレームワークであるScaleCastを提案する。
グローバル・リージョン・コンバージョン(Global-Regional Conversion)モジュールは、グローバル・リージョン・アライメント・アンド・ダイナミクス(Global-Regional Alignment and Dynamics)ブロックが、地域間の相互作用と整合したガイダンスを組み合わせた、グローバル・リージョン・コンバージョン(Global-Regional Conversion)モジュールである。
ERA5グローバル・アナリティクスを用いた5.5km間隔での0.25度グリッドとCERRA地域リアナリシスによる実験により、地上および上空変数間の地域予測が改善し、特定のリトレーニングなしで複数のグローバル・予測ドライバ(パング・ウィーザー、グラフセンター、HRES)をサポートする単一のトレーニングモデルが得られた。
3km間隔でのHRRRの微調整により、異なる領域へのフレームワークの適応性と空間分解能がさらに証明される。
風雨ケーススタディではサイクロン位置とコア圧力の推定が改善し,HadISD観測との比較では局地温度と湿度の変化とほぼ一致している。
関連論文リスト
- 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) - From Global to Local: Efficient Regional Weather Downscaling with Global Weather Foundation Model [0.0]
グローバルな予測の地域的改善を学習する基盤モデル駆動のダウンスケーリングフレームワークを提案する。
我々は,地域の数値シミュレーションを訓練対象とし,グリッド化されたデータセットだけでなく,地上の気象観測にも適用した。
実験の結果,計算コストのごく一部でNWPと比較して精度が向上した。
論文 参考訳（メタデータ） (2026-07-03T12:49:06Z) - Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling [13.378669933059015]
本稿では,地域気象予報のためのグローバル・リージョン結合フレームワークを提案する。
Transformerベースのグローバルモデルと、新しい双方向結合モジュールであるScaleMixerを介して、高解像度の地域ネットワークを結合する。
このフレームワークは、$0.05circ$(sim 5 mathrmkm$ )で、中国の1時間の解像度で、グリッド化されたリアナリシスデータとリアルタイム気象観測の両方で、運用上のNWPとAIベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-03-30T08:40:36Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting [35.64570745321468]
適応的地域境界最適化と動的月次予測アロケーションのための新しいAI駆動フレームワークを提案する。
具体的には,グローバル空間分布と地域空間分布を整合させるSAA(Spatial-Aligned Attention)機構を用いる。
また、異なる月ごとの大気変数を専門の専門家に動的にルーティングするTMOEモジュールを設計する。
論文 参考訳（メタデータ） (2025-09-21T05:27:52Z) - A comparison of stretched-grid and limited-area modelling for data-driven regional weather forecasting [0.493599216374976]
限界領域モデル (LAM) とストレッチグリッドモデル (SGM) は高分解能な地域予測を生成するために出現している。
本研究の目的は,モデル設計の違いが相対的な性能と潜在的な応用に与える影響を理解することである。
論文 参考訳（メタデータ） (2025-07-24T12:54:08Z) - RainShift: A Benchmark for Precipitation Downscaling Across Geographies [21.183274939386088]
地理的分布シフト下でのダウンスケーリングを評価するためのデータセットとベンチマークであるRainShiftを紹介した。
我々は、グローバル・ノースとグローバル・サウスの間のデータギャップをまたいだ一般化において、GANや拡散モデルを含む最先端のダウンスケーリング手法を評価した。
我々の研究は、ダウンスケーリング手法のグローバルな適用性を高め、高解像度の気候情報へのアクセスにおける不平等を減らすための一歩である。
論文 参考訳（メタデータ） (2025-07-07T12:25:14Z) - 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) - 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) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z)
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。