論文の概要: Diffusion Precipitation Generation with Medium-range Weather Forecasting

• arxiv url: http://arxiv.org/abs/2610.12976v1
• Date: Fri, 09 Oct 2026 04:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.386246
• Title: Diffusion Precipitation Generation with Medium-range Weather Forecasting
• Title（参考訳）: 中距離気象予報による拡散沈降生成
• Abstract要約: 動的降水デカップリング(Dynamics-Precipitation Decoupling)は、凍結した気象モデルから毎日の降水量に非降水予測をマッピングするためのプラグアンドプレイフレームワークである。 その主な課題は、異質な降雨分布を捉え、宇宙と時間の間で進化する大気信号と日々の蓄積を一致させることである。 グローバルおよび地域予測におけるパングウェザー,グラフカス,HRESなどのバックボーンの広範囲な評価は,毎日の降水精度とイベント検出を改善したことを示している。
• 参考スコア（独自算出の注目度）: 28.338395592282136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate daily precipitation forecasts are important for weather-sensitive decisions. Although recent Weather Foundation Models (WFMs) have achieved significant progress, they are trained on reanalysis data, which exhibit regional and intensity-dependent biases. Since retraining WFMs on observation-based targets is costly, we study Dynamics-Precipitation Decoupling, a plug-and-play framework that uses a separately trained generator to map non-precipitation forecasts from a frozen weather model to observation-aligned daily precipitation. Its key challenges are to capture heterogeneous rainfall distributions and align daily accumulations with atmospheric signals that evolve across space and time. To address them, we train a diffusion generator conditional on atmospheric states and satellite-gauge estimates of precipitation. A multi-scale recurrent encoder summarizes atmospheric evolution, while cross-attention aligns atmospheric and precipitation features during denoising. Extensive evaluation of various backbones, including Pangu-Weather, GraphCast, and HRES, on global and regional forecasting shows improved daily precipitation accuracy and event detection, with better representation of localized accumulation patterns. Global ensemble evaluation shows lower Brier scores than ENS and training-from-scratch GenCast at all reported lead times, with lower CRPS in most comparisons. Remarkably, a heavy-rainfall case study using 2,288 stations in China further supports improved daily accumulation patterns and event detection against ground observations.
• Abstract（参考訳）: 天気に敏感な判断には、正確な1日当たり降水量の予測が重要である。 近年の気象基礎モデル(WFM)は大きな進歩を遂げているが、地域や強度に依存したバイアスを示す再分析データに基づいて訓練されている。 観測に基づく目標に対するWFMの再学習はコストがかかるため,凍結気象モデルから降水量の非降水予測を観測整列した日降水量にマップするために,別々に訓練されたジェネレータを用いたプラグイン・アンド・プレイフレームワークであるDynamics-Precipitation Decouplingについて検討した。 その主な課題は、異質な降雨分布を捉え、宇宙と時間の間で進化する大気信号と日々の蓄積を一致させることである。 これらの問題に対処するために、大気状態と衛星ゲージによる降水量の推定を条件とした拡散発生器を訓練する。 マルチスケールのリカレントエンコーダは大気の進化を要約し、クロスアテンションは大気と降水の特徴をデノイング中に整列させる。 グローバルおよび地域予測におけるパングウェザー,グラフコースト,HRESなどのバックボーンの広範囲な評価は,局所的な蓄積パターンのより優れた表現により,毎日の降水精度とイベント検出を改善したことを示している。 グローバルアンサンブル評価では、ブレアスコアが ENS よりも低く、GenCast からのトレーニングがすべてリードタイムに報告され、ほとんどの比較では CRPS が低かった。 興味深いことに、中国の2,288のステーションを用いた豪雨事例研究は、日々の蓄積パターンの改善と地上観測に対する事象検出をさらに支援している。

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)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• DiffObs: Generative Diffusion for Global Forecasting of Satellite Observations [4.653770685661304]
  本研究は, 自然降雨のグローバルな進化を予測するための自己回帰的生成拡散モデル(DiffObs)を提案する。 モデルは, 日頭降雨の確率論的予測のために訓練されているが, 複数ヶ月のロールアウトには安定であり, 熱帯における対流結合波動モードの定性的に現実的な重ね合わせが明らかである。
  論文  参考訳（メタデータ） (2024-04-04T05:24:22Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)

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。