論文の概要: DIAL: Dynamic and Informed Adjustment of the Native Stochastic Law for Reliable Weather Ensembles

• arxiv url: http://arxiv.org/abs/2610.21639v1
• Date: Thu, 15 Oct 2026 10:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.023253
• Title: DIAL: Dynamic and Informed Adjustment of the Native Stochastic Law for Reliable Weather Ensembles
• Title（参考訳）: DIAL: 信頼性のある気象アンサンブルの確率論的法則の動的・インフォームド調整
• Abstract要約: 予測中のランダムな適応は誤りを修正できるが、トレーニングは事前に動作を修正し、出力校正はその後に行われる。 推論ガイダンスは予測中にも機能するが、通常はアンサンブル全体ではなく、別のアンサンブルメンバーをスコアする。 凍結モデルのネイティブ性を制御するDIAL(Dynamic Informed Adjustment of the Native Law)を導入する。 DIALは過去の予測から学び、各変数とスケールが多かれ少なかれ広がる必要があるかを予測します。
• 参考スコア（独自算出の注目度）: 42.90707214502006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble weather forecasts can look reliable in global averages while hiding too little spread in some cases and too much in others. These errors vary across variables, spatial scales, lead times, and weather states. Adapting randomness during forecasting can correct these errors, but training fixes stochastic behavior beforehand and output calibration acts afterward. Inference guidance also acts during forecasting, but typically scores ensemble members separately rather than the ensemble as a whole. Reliability feedback arrives at the end, and tracing it backward through many chaotic forecast steps is expensive and unstable. We therefore introduce Dynamic and Informed Adjustment of the Native Stochastic Law (DIAL), which controls a frozen model's native stochasticity. DIAL learns from past forecasts to predict whether each variable and scale needs more or less spread. As a forecast develops, it estimates how possible noise changes will affect later forecast accuracy and reliability. It combines these predictions to make small noise updates at each step. This loop avoids retraining the weather model and full backpropagation through the forecast. We evaluate DIAL on FourCastNet 3 (FCN3) using later ERA5 years unseen during training. DIAL provides better scale-resolved reliability than learned postprocessing and reward-based control baselines. Relative to the unmodified Native FCN3 reference, DIAL achieves an 8.27% improvement in the primary multiscale continuous ranked probability score (CRPS).
• Abstract（参考訳）: 天気予報は全世界平均で信頼性が高く、一部のケースでは広がりがほとんどなく、他のケースでは多すぎる。 これらのエラーは、変数、空間スケール、リードタイム、気象状態によって異なる。 予測中のランダムな適応はこれらの誤りを修正することができるが、トレーニングは確率的な振る舞いを事前に修正し、出力キャリブレーションはその後に作用する。 推論ガイダンスは予測中にも機能するが、通常はアンサンブル全体ではなく、別のアンサンブルメンバーをスコアする。 信頼性のフィードバックが最後に届き、混乱した予測ステップを遡って追跡するのは高価で不安定です。 そこで我々は,凍結モデルの固有確率性を制御するDIAL(Dynamic and Informed Adjustment of the Native Stochastic Law)を導入する。 DIALは過去の予測から学び、各変数とスケールが多かれ少なかれ広がる必要があるかを予測します。 予測が発展するにつれて、ノイズの変化が後の予測精度と信頼性にどの程度影響するかを推定する。 これらの予測を組み合わせて、各ステップで小さなノイズを更新する。 このループは天気モデルの再訓練を回避し、予報を通して全バックプロパゲーションを行う。 DIAL on FourCastNet 3 (FCN3) using later ERA5 years unseen during training。 DIALは、学習後処理や報酬ベースの制御ベースラインよりも、スケール解決された信頼性を提供する。 修正されていないネイティブFCN3参照とは対照的に、DIALは一次マルチスケール連続格付け確率スコア(CRPS)を8.27%改善した。

関連論文リスト

• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• Uncertainty-Aware End-to-End AI Weather Forecasting: Disentangling Observation and Model Contributions [13.160130063828793]
  エンド・ツー・エンドの天気予報システムは、地球観測から直接、熟練したグローバルグリッドとステーションの天気予報を生成する。 ここでは、観測システムから継承された1つのアレータリック不確実性を各コンポーネントに付加することにより、Aardvark気象モデルを確率予測として表現する。 アンサンブルは中距離でERA5に対して校正され(スプレッドスキル比0.98)、RMSEは決定論的モデルの2.4%に抑えられ、リードタイム毎にCRPSで打ち負かされ、運用中のECMWFアンサンブルを追尾する。
  論文  参考訳（メタデータ） (2026-08-31T13:49:00Z)
• TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting [7.191212864694664]
  TSCoNetは2段階の畳み込みリカレントモデルであり、空間と時間の複数の変数を共同で予測するガウスのコプラと結合している。 本研究では,2000～2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。
  論文  参考訳（メタデータ） (2026-07-11T17:28:53Z)
• 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)
• Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
  本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。 その結果,従来の最大推定値よりも大幅に改善した。
  論文  参考訳（メタデータ） (2026-01-15T21:26:57Z)
• CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification [23.605859261510407]
  従来のアンサンブルの数値天気予報は計算集約的である。 既存の機械学習ベースの天気予報アプローチは効率的で正確である。 正確なグローバル気象予測を生成する条件拡散モデルであるCoDiCastを提案する。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• 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)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。