論文の概要: Observation Assimilation Transformer: Probabilistic Weather Analysis from Sparse Station Observations

• arxiv url: http://arxiv.org/abs/2610.28327v2
• Date: Wed, 21 Oct 2026 07:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.092919
• Title: Observation Assimilation Transformer: Probabilistic Weather Analysis from Sparse Station Observations
• Title（参考訳）: 観測同化変換器:スパースステーション観測による確率的気象解析
• Abstract要約: 本稿では,従来の数値天気予報(NWP)の場を,スパース観測を同調して高分解能の後部場に補正・洗練する幾何認識型ニューラルプロセスを提案する。 OATは、任意の未観測のクエリロケーションのセットで条件予測の前に観測された位置とそのNWPのセットを検討するエンコーダ・デコーダ変換器である。
• 参考スコア（独自算出の注目度）: 0.9779680758259742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the Observation Assimilation Transformer (OAT), a geometry-aware neural process that corrects and refines a prior numerical weather prediction (NWP) field into a high-resolution posterior field by assimilating sparse observations. OAT is an encoder-decoder transformer that considers a set of observed locations and their NWP prior to condition predictions at a set of arbitrary unobserved query locations. Its sparse attention mechanism makes it scalable to thousands of station observations and depends on relative positions between locations, never on the absolute coordinates. The model allows for partially missing observations, predictions at arbitrary continuous locations without grid projection, and outputs are parametric distributions. A station-randomized training algorithm is developed with continuous ranked probability score (CRPS) loss. We test OAT on two datasets - one at regional scale with hundreds of stations, and one at continental scale with thousands of stations. On these datasets OAT outperforms several baselines and shows well calibrated predictions. In an illustrative case study, OAT's downscaling capabilities are demonstrated by downscaling ERA5 (~31km) to COSMO (1km), where OAT achieves lower mean absolute error (MAE) and CRPS for temperature and precipitation on test stations compared to COSMO.
• Abstract（参考訳）: 本稿では,従来の数値天気予報(NWP)の場を,スパース観測を同化して高分解能後部場に補正・洗練する,幾何認識型ニューラルプロセスである観測同化変換器(OAT)を提案する。 OATは、任意の未観測のクエリロケーションのセットで条件予測の前に観測された位置とそのNWPのセットを検討するエンコーダ・デコーダ変換器である。 そのわずかな注意機構により、数千もの観測所の観測にスケーラブルになり、位置間の相対的な位置に依存し、絶対座標には依存しない。 このモデルは、部分的に欠落した観測、グリッド射影のない任意の連続した位置での予測を可能にし、出力はパラメトリック分布である。 連続的なランク付け確率スコア(CRPS)を損失したステーションランダム化トレーニングアルゴリズムを開発した。 私たちはOATを、数百のステーションを持つ地域規模と、数千のステーションを持つ大陸スケールの2つのデータセットでテストします。 これらのデータセットでは、OATはいくつかのベースラインを上回り、よく校正された予測を示す。 実証的なケーススタディでは、OATのダウンスケーリング能力は、ERA5 (~31km) からCOSMO (1km) にダウンスケーリングすることで実証される。

関連論文リスト

• WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
  WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。 シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
  論文  参考訳（メタデータ） (2026-09-20T14:09:26Z)
• Statistical versus machine learning-based spatial interpolation of post-processed ensemble weather forecasts [0.0]
  本研究は,ECMWF 2m温度と10m風速予測を後処理するための統計的および機械学習に基づく手法の比較を行った。 EMOSベースのアプローチ,分散回帰ネットワーク,トランスフォーマー,グラフニューラルネットワークを,限定的かつ拡張的な予測設定の下で検討する。
  論文  参考訳（メタデータ） (2026-09-07T14:00:29Z)
• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• 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)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• 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)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Local Off-Grid Weather Forecasting with Multi-Modal Earth Observation Data [5.147520971893645]
  森林火災の管理と再生可能エネルギーの発生は、地球表面付近の正確な局部的な天気予報を必要とする。 機械学習モデルや数値天気予報システムによって生成された予測は、通常、大規模な正規グリッド上で生成される。 本稿では,マルチグラニュアルトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-16T18:25:43Z)
• 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。