論文の概要: Beyond the record: evaluating probabilistic AI weather forecasts deep in the tail

• arxiv url: http://arxiv.org/abs/2610.25545v1
• Date: Sun, 18 Oct 2026 21:35:20 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:28:18.045797
• Title: Beyond the record: evaluating probabilistic AI weather forecasts deep in the tail
• Title（参考訳）: AIの確率的天気予報が過去最高に
• Abstract要約: 2022年の地上での4つの最先端AIモデルと物理ベースのIFS-ENSを比較した。 我々は2022年に設定された新記録を、その深さ、すなわち、地域的歴史的変動に対する超越限界によって特徴づける。 ERA5に対して検証されたAIモデルは、ほとんどすべてのリードとディープで、熱とコールドレコードのIFS-ENSを上回っている。
• 参考スコア（独自算出の注目度）: 0.7698863100388946
• License:
• Abstract: Can probabilistic artificial intelligence (AI) weather forecasts retain skill beyond their training domain? We compare four state-of-the-art AI models (ArchesWeatherGen, U-Cast, WeatherNext2 and GenCast-mini) with the physics-based IFS-ENS over land in 2022, at 1.5° resolution and lead times of 2--10 days. Monthly ERA5 records from 1979--2021 define common historical boundaries, and we characterize new records set in 2022 by their depth, i.e., the exceedance margin relative to local historical variability. Two proper scores, record-threshold weighted CRPS and Brier score, assess the magnitude and probability of record exceedances across all eligible cases, retaining both missed extremes and false alarms. Verified against ERA5, AI models outperform IFS-ENS for heat and cold records at almost every lead and depth. For heat, the advantage strengthens with depth, partly because IFS-ENS over-forecasts deep records, and largely persists for deeper records under HRES-fc0 verification. For wind, gains erode for deeper records and longer leads. Better tail scores can nevertheless coexist with aggregate probability deficits or surpluses, and some improvements arise chiefly on non-exceedances. Increasing underprediction on progressively more extreme observed subsets can also arise through outcome selection, even for an ideal conditional-mean forecast. These findings establish that native probabilistic AI ensembles retain, and for heat increase, their advantage over IFS-ENS as thresholds move beyond local records, although all advantages narrow with lead time. They caution against generalizing the extrapolation failure reported for deterministic AI forecasts to probabilistic systems, and motivate common verification conventions that separate comparative tail skill, performance on realized extremes, and probabilistic calibration.
• Abstract（参考訳）: 確率的人工知能(AI)天気予報はトレーニング領域を超えてスキルを維持することができるか? 我々は、2022年の地上での4つの最先端AIモデル(ArchesWeatherGen、U-Cast、WeatherNext2、GenCast-mini)と、1.5°解像度、リードタイム2～10日という物理ベースのIFS-ENSを比較した。1979～2021年の毎月のERA5レコードは、共通の歴史的境界を定義し、2022年に設定された新しい記録を、その深さ、すなわち、地域の歴史的変動に対する超越差として特徴付ける。 2つの適切なスコア、記録閾値のCRPSとブライアスコアは、すべての適用可能なケースで記録超過の程度と確率を評価し、見逃した極端値と誤報の両方を保持した。 ERA5に対して検証されたAIモデルは、ほとんどすべてのリードとディープで、熱とコールドレコードのIFS-ENSを上回っている。 熱については、IFS-ENSは深部記録を過剰に予測し、HRES-fc0検証の下では深部記録をほとんど維持するため、深部記録により利点が強化される。 風は、より深い記録と長いリードのためにエロデを得る。 より良いテールスコアは、しかしながら、総確率の欠陥や余剰量と共存しうる。 漸進的に極端に観察されるサブセットに対する過小評価の増大は、理想的な条件付き平均予測であっても結果の選択によっても起こりうる。 これらの結果は、ネイティブな確率的AIアンサンブルが維持され、熱量増加のためには、しきい値がローカルレコードを超えるとIFS-ENSよりも有利であるが、いずれもリードタイムに制限されている。 彼らは、決定論的AI予測のために報告された外挿失敗を確率的システムに一般化し、比較テールスキル、実現可能な極端なパフォーマンス、確率的キャリブレーションを分離する共通の検証規約を動機付けることに注意した。

関連論文リスト

• Suitable Measures for the Potential Operational Utility of AI NWP Rainfall Forecasts Over Africa [0.39348763368961404]
  人工知能(AI)ベースの天気予報は、計算コストのごく一部で物理数値天気予報(NWP)システムのスキルに近づいている。 これは特にアフリカにとって有望なことであり、降雨が極端に激しくなり、多くの予測センターでは、長いリードタイムで物理モデルを実行するためのインフラが欠如している。 本稿では,アフリカにおける降雨予測のための物理NWPモデルIFSとGraphCast,GenCast,Functional Generative Network(FGN)の校正比較を行った。
  論文  参考訳（メタデータ） (2026-09-24T18:09:48Z)
• 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)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• 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)
• A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
  我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。 また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
  論文  参考訳（メタデータ） (2024-01-27T05:53:16Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。