論文の概要: WeatherBridge: Forecast-Aware Multi-Source Input Adaptation for Pretrained Weather Forecasting Models

• arxiv url: http://arxiv.org/abs/2610.14863v1
• Date: Sat, 10 Oct 2026 12:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.126393
• Title: WeatherBridge: Forecast-Aware Multi-Source Input Adaptation for Pretrained Weather Forecasting Models
• Title（参考訳）: 天気予報モデルのための天気予報対応型マルチソース入力適応
• Abstract要約: ヘテロジニアスなNWP初期状態をERA5参照状態にマッピングする、ソース条件付きアダプタであるWeatherBridgeを紹介する。 WeatherBridgeは、Swin-UNetで構造化された残留補正を予測し、複数の空間スケールにソース埋め込みを注入する。 その訓練目的は、緯度重み付きERA5再構成と1ステップのロールアウトアライメント(ORA)を組み合わせることで、凍結したFuXiモデルを通じて1ステップの予測誤差をバックプロパゲートする。
• 参考スコア（独自算出の注目度）: 5.9789108945883465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven weather forecasting models are commonly trained on ERA5, yet operational deployment must use timely initial states from physics-based numerical weather prediction (NWP) systems whose distributions differ substantially from ERA5. Direct initialization with these states can degrade autoregressive forecasts, motivating input adaptation that keeps the pretrained forecasting model unchanged. Here, we introduce WeatherBridge, a unified, source-conditioned adapter that maps heterogeneous operational NWP initial states to ERA5 reference states without updating the pretrained forecasting model. WeatherBridge predicts the structured residual corrections with a Swin-UNet and injects source embeddings across multiple spatial scales, allowing the model to capture shared atmospheric structure and source-specific discrepancies. Its training objective combines latitude-weighted ERA5 reconstruction with One-step Rollout Alignment (ORA), which backpropagates one-step forecast error through a frozen FuXi model to optimize the adapted states for both initial state fidelity and downstream forecast compatibility. We evaluate WeatherBridge using daily GFS, HRES, and CMA initializations from 1 January to 22 November 2025 across six variables and lead times up to 240 hours. Relative to raw source initialization of FuXi, WeatherBridge reduces the mean RMSE of FuXi over the 6- 240-hour rollout for 17 of 18 source-variable combinations, with a median reduction of 10.2% and a maximum reduction of 46.3%. The adapter trained with frozen FuXi also improves FengWu forecasts on GFS inputs without retraining either the adapter or FengWu. These results demonstrate that forecast-aware input adaptation can improve forecasts from heterogeneous operational NWP inputs and transfer across pretrained ERA5-based forecasting models.
• Abstract（参考訳）: データ駆動型天気予報モデルは一般にERA5で訓練されているが、運用展開には物理ベースの数値気象予報(NWP)システムからタイムリーに初期状態を使用し、その分布はERA5と大きく異なる。 これらの状態との直接初期化は自己回帰予測を劣化させ、事前訓練された予測モデルを維持する入力適応を動機付ける。 ここでは、未学習の予測モデルを更新することなく、異種運用NWP初期状態をERA5参照状態にマッピングする、統一されたソース条件付きアダプタであるWeatherBridgeを紹介する。 WeatherBridgeは、Swin-UNetで構造化された残差補正を予測し、複数の空間スケールにソース埋め込みを注入することで、共有大気構造とソース固有の不一致を捉えることができる。 トレーニングの目的は、緯度重み付きERA5再構成と1ステップのロールアウトアライメント(ORA)を組み合わせることで、凍結したFuXiモデルを通じて1ステップの予測誤差をバックプロパゲートし、初期状態の忠実度と下流予測の整合性の両方に適応状態を最適化する。 2025年1月1日から11月22日までの1日あたりのGFS, HRES, CMAの初期化を6変数, 最大240時間で評価した。 FuXiの原料初期化とは対照的に、WeatherBridgeは18のソース変数の組み合わせのうち17の6-240時間のロールアウトよりも平均RMSEを減らし、中央値の10.2%、最大値の46.3%を減らした。 フリーズされたFuXiでトレーニングされたアダプタは、アダプタやFengWuを再トレーニングすることなく、GFS入力のFengWu予測を改善している。 これらの結果は、予測対応入力適応が、事前訓練されたERA5ベースの予測モデル間の異種運用NWP入力および転送からの予測を改善することを示す。

関連論文リスト

• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [16.562512279873577]
  我々は,最大15日間のグローバルアンサンブル天気予報を実現するために設計された,高度なMLモデルであるFuXi-ENSを紹介する。 FuXi-ENS は空間分解能が 0.25 度大きく向上し、13の圧力レベルで5つの大気変数と13の表面変数が組み込まれている。 その結果,FXi-ENSは360変数の98.1%のCRPSと予測リードタイムの組み合わせで,世界有数のNWPモデルであるECMWFのアンサンブル予測よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-09T17:15:09Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [7.610811907813171]
  天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。 時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
  論文  参考訳（メタデータ） (2023-04-18T06:25:11Z)
• A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific [24.287588853356972]
  2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。 風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
  論文  参考訳（メタデータ） (2022-12-29T02:58:12Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。