論文の概要: Can AI Forecast the Extremes? Evaluating Probabilistic Weather Models on Tropical Cyclones

• arxiv url: http://arxiv.org/abs/2610.22077v1
• Date: Thu, 15 Oct 2026 15:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.162685
• Title: Can AI Forecast the Extremes? Evaluating Probabilistic Weather Models on Tropical Cyclones
• Title（参考訳）: AIは極端を予測できるか?熱帯サイクロンの確率論的気象モデルの評価
• Abstract要約: 我々は、主要なAIモデルとECMWFの操作物理学に基づくアンサンブルであるIFS-ENSを比較した。 強度とアンサンブルの限界が残っているにもかかわらず、主要なAIモデルはサイクロン追跡においてILS-ENSを大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 3.0479044961661708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather prediction is undergoing an important shift, with data-driven AI models outperforming leading numerical weather prediction systems on average at a fraction of the computational cost. Yet, whether this success extends to extreme events remains contested. Earlier evaluations have exposed important shortcomings, but have largely focused on deterministic models and metrics, leaving the capabilities of the latest probabilistic models less understood. We conduct an extensive benchmark of tropical cyclone forecasting, comparing GenCast, FourCastNet 3, and FGN with ECMWF's operational physics-based ensemble, IFS-ENS. We develop a suite of probabilistic metrics and diagnostic analyses to assess cyclone tracking, intensity biases, uncertainty, and the wind-pressure relationship that characterizes storm structure. We find that, despite remaining limitations in intensity and ensemble spread, leading AI models substantially outperform IFS-ENS in cyclone tracking: FGN achieves better probabilistic location scores for 90% of evaluated storms in 2025. Further analyses reveal model-specific failure modes and suggest a lingering influence of pretraining data, pointing to opportunities for targeted improvement. Nonetheless, these results suggest that AI models are capable of capturing physical relationships that remain predictive well beyond typical weather conditions, motivating further investigation into how these capabilities emerge and how to strengthen them.
• Abstract（参考訳）: データ駆動型AIモデルは、計算コストのごく一部で、平均的な数値的な天気予報システムを上回っている。 しかし、この成功が極端な出来事にまで及ぶかどうかはまだ議論の余地がある。 以前の評価では重要な欠点が明らかになっているが、決定論的モデルとメトリクスに主に焦点を合わせており、最新の確率論的モデルの能力は理解されていない。 我々は、GenCast、FourCastNet 3、FGNをECMWFの動作物理学に基づくアンサンブルIFS-ENSと比較し、熱帯サイクロン予測の広範なベンチマークを行う。 我々は,サイクロン追跡,強度バイアス,不確実性,および嵐構造を特徴付ける風圧関係を評価するための確率論的指標と診断分析スイートを開発した。 強度とアンサンブルの限界が残っているにもかかわらず、主要なAIモデルはサイクロン追跡においてILS-ENSを大幅に上回っている。 さらに、モデル固有の障害モードを明らかにし、目標とする改善の機会を示す事前学習データの影響を示唆する。 それにもかかわらず、これらの結果は、AIモデルが一般的な気象条件を超えて予測可能な物理的関係を捉え、これらの能力がどのように出現し、どのように強化するかをさらに調査する動機となっていることを示唆している。

関連論文リスト

• 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)
• On the Predictive Skill of Artificial Intelligence-based Weather Models for Extreme Events using Uncertainty Quantification [0.34875901464487297]
  本研究は,芸術決定論的人工知能モデルが初期条件摂動にどう反応するかを考察する。 2022年8月、パキスタンの洪水と中国の熱波の2つの主要なイベントのために50の会員アンサンブルを生成します。 その結果,流れ依存摂動は最も現実的なアンサンブルの広がりと高い確率的スキルを生み出すが,数値的な天気予報アンサンブルで性能ギャップを埋めることはできないことがわかった。
  論文  参考訳（メタデータ） (2025-11-21T11:54:22Z)
• MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
  南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。 モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
  論文  参考訳（メタデータ） (2025-09-02T01:51:40Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
  我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。 季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
  論文  参考訳（メタデータ） (2020-10-27T21:02:26Z)

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。