論文の概要: Spherical Physics-informed Neural Operator with Multi-scale Coupling for Meteorological Downscaling
- arxiv url: http://arxiv.org/abs/2610.24708v1
- Date: Sat, 17 Oct 2026 14:13:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 16:51:03.793194
- Title: Spherical Physics-informed Neural Operator with Multi-scale Coupling for Meteorological Downscaling
- Title（参考訳）: メテオロジカルダウンスケーリングのためのマルチスケール結合型球面物理学インフォームドニューラル演算子
- Abstract要約: 本研究では, 音場を周波数成分に分割し, スケールをまたいだ正確な点対応を維持する球形物理インフォームドニューラル演算子を提案する。
我々のフレームワークは、様々な気象変数や目に見えない問合せに対して、優れた精度とゼロショットの一般化を実現している。
- 参考スコア（独自算出の注目度）: 18.30237239392815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meteorological downscaling is crucial for high-resolution regional climate forecasting and disaster early warning. While neural operators have emerged as a promising paradigm for modeling complex spatiotemporal mappings, existing frameworks often struggle with spherical manifold geometric distortions, inherent atmospheric multi-scale coupling mismatches, and lack of explicit atmospheric laws. We propose the Spherical Physics-informed Neural Operator, which utilizes a Spherical Laplacian Decomposition to partition atmospheric fields into hierarchical frequency components, maintaining exact point-wise correspondence across scales. To evaluate these representations at arbitrary locations, we introduce a localized spherical integral operator that approximates continuous kernel transforms via geometry-aware attention. Dynamical consistency is further enforced by embedding differentiable constraints into the learning process. Extensive experiments demonstrate that our framework attains superior accuracy and zero-shot generalization across various meteorological variables and unseen queries, representing a robust and interpretable solution for global-to-regional meteorological downscaling.
- Abstract（参考訳）: 気象下降は、高解像度の地域気候予報と災害早期警戒に不可欠である。
ニューラル作用素は、複雑な時空間マッピングをモデル化するための有望なパラダイムとして現れてきたが、既存のフレームワークは、しばしば球面多様体の幾何学的歪み、固有の大気多スケール結合ミスマッチ、明示的な大気法則の欠如に苦慮している。
本研究では,球状ラプラシアン分解を用いた球状物理インフォームドニューラル演算子を提案する。
任意の位置でこれらの表現を評価するために、幾何学的注意を通した連続カーネル変換を近似する局所球面積分作用素を導入する。
動的一貫性は、異なる制約を学習プロセスに埋め込むことによってさらに強化される。
大規模な実験により, このフレームワークは, 様々な気象変数や未知の問合せに対して, より優れた精度とゼロショットの一般化を実現し, グローバル・ツー・リージョンの気象下降に対する堅牢かつ解釈可能な解であることを示した。
関連論文リスト
- A note on decoherence in quantum cosmology by thermal perturbations: an open quantum systems approach [51.56484100374058]
宇宙論的な摂動の熱浴が宇宙の自由度を減らしうるかを研究する。
玩具モデルでは, 熱的寄与に対応する特性デコヒーレンス時間スケールがハッブル時間スケールよりも短いことが判明した。
論文 参考訳（メタデータ） (2026-10-08T07:27:39Z) - Generalizable Neural Downscaling of Earth System Model Wind Fields via Continuous Dynamics Modeling [47.58590721845409]
連続的大気状態場における演算子学習問題として,地球規模の近地風下スケーリングを定式化する。
我々は、不均一な離散化にまたがって、粗大な体を微細な体にマッピングするダウンスケーリングニューラル演算子を開発した。
論文 参考訳（メタデータ） (2026-09-26T21:20:31Z) - DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。
合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文 参考訳（メタデータ） (2026-08-19T03:44:28Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Beyond Attention: True Adaptive World Models via Spherical Kernel Operator [0.0]
標準的な注意を置き換えるフレームワークであるSpherical Kernelを紹介します。
SKOは、エージェントの偏りのある観察周波数から真の環境遷移のダイナミクスを数学的に分離する。
経験的評価により、SKOは自己回帰言語モデリングにおいて、収束を著しく加速し、標準の注意ベースラインを上回ることが確認される。
論文 参考訳（メタデータ） (2026-02-25T21:51:34Z) - SOON: Symmetric Orthogonal Operator Network for Global Subseasonal-to-Seasonal Climate Forecasting [38.68194205248377]
我々は,地球規模のS2S気候予測のためのSymmetric Orthogonal Operator Network (SOON)を提案する。
SOONは、グローバルグリッドを格子環にトークン化し、帯状周期構造の整合性を保つ異方的埋め込み戦略を結合する。
Earth Reanalysis 5データセットの実験では、SOONが新しい最先端技術を確立し、精度と計算効率を予測できる既存の手法を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2026-02-04T10:19:45Z) - Generalized Spherical Neural Operators: Green's Function Formulation [15.000285739440466]
設計可能な球面グリーン関数とその調和展開に基づく一般作用素設計フレームワークを提案する。
マルチスケールスペクトルモデリングと球面アップダウンサンプリングを組み合わせた階層型アーキテクチャであるGSHNetを開発した。
この結果から,GSNOを球面演算子学習の原理的および一般的な枠組みとして位置づけ,実世界の複雑性を伴う厳密な理論をブリッジした。
論文 参考訳（メタデータ） (2025-12-11T15:05:33Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations [8.71735078449217]
本稿ではメタラーニングを活用した統一的なダウンスケーリング手法を提案する。
ERA5, GFSから温度, 風, 表面圧力, 総降水量からなる変数を訓練した。
提案手法は, 対流降水量, 電位, エネルギー高さ, 湿度CFS, S2S, CMIP6の時間スケールに拡張可能である。
論文 参考訳（メタデータ） (2024-04-26T06:31:44Z) - 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)
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。