論文の概要: Skillful and realistic precipitation forecasting with reinforced diffusion
- arxiv url: http://arxiv.org/abs/2610.38775v1
- Date: Wed, 28 Oct 2026 19:50:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.408868
- Title: Skillful and realistic precipitation forecasting with reinforced diffusion
- Title（参考訳）: 拡散の強化による巧妙で現実的な降水予測
- Abstract要約: 本稿では,アメリカ大陸における最先端の予測技術と物理リアリズムを同時に実現した最初のシステムであるFitzRoyを紹介する。
構造的リアリズムを保ち、極端な事象を捉えながら、FitzRoyは一貫して最先端のモデルに適合または超えていることを示す。
2025年のテキサス・ヒル・カントリーの洪水や2026年のミズーリの洪水といったケーススタディでは、フィッツロイは既存のモデルがほとんど見逃した記録破りの累積を示している。
- 参考スコア（独自算出の注目度）: 42.1652518139787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate precipitation forecasting remains elusive as physics-based models struggle to resolve mesoscale convection and machine learning often yields physically inconsistent, blurred results that consistently underestimate extreme events. We present FitzRoy, the first system that simultaneously achieves state-of-the-art predictive skill and physical realism over the continental United States. Through a reinforced diffusion framework, where a conditional discrete diffusion model is refined via reinforcement learning, FitzRoy effectively resolves the long-standing trade-off between pointwise accuracy and structural fidelity. Across lead times up to 24 hours, FitzRoy consistently matches or exceeds state-of-the-art models while preserving structural realism and capturing extreme events. Its low-latency inference further enables deployment in real-time operational settings. In case studies such as the 2025 Texas Hill Country floods and the 2026 Missouri floods, FitzRoy signals record-breaking accumulations that existing models largely missed. By bridging the gap between realism and skill, FitzRoy establishes a new frontier for high-fidelity precipitation forecasting.
- Abstract（参考訳）: 物理に基づくモデルはメソスケール対流の解決に苦しむため、正確な降水予測は依然として解明されていない。
本稿では,アメリカ大陸における最先端の予測技術と物理リアリズムを同時に実現した最初のシステムであるFitzRoyを紹介する。
条件付き離散拡散モデルを強化学習により洗練する強化拡散フレームワークを通じて、FitzRoyは、ポイントワイズ精度と構造忠実度の間の長年のトレードオフを効果的に解決する。
リードタイムは最大24時間で、FitzRoyは構造的リアリズムを維持し、極端なイベントを捉えながら、常に最先端のモデルと一致または超えている。
その低レイテンシ推論により、リアルタイムの運用環境へのデプロイも可能になる。
2025年のテキサス・ヒル・カントリーの洪水や2026年のミズーリの洪水といったケーススタディでは、フィッツロイは既存のモデルがほとんど見逃した記録破りの累積を示している。
現実主義とスキルのギャップを埋めることによって、フィッツロイは高忠実度降水予測の新しいフロンティアを確立した。
関連論文リスト
- STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting [22.29494904927957]
降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。
STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
論文 参考訳（メタデータ） (2025-12-24T11:34:44Z) - DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。
従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。
本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
論文 参考訳（メタデータ） (2023-12-11T11:26:32Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z)
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。