論文の概要: Generated storm lifecycles fill the rare-event tail of short rainfall records

• arxiv url: http://arxiv.org/abs/2610.41365v2
• Date: Mon, 02 Nov 2026 06:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:45.023373
• Title: Generated storm lifecycles fill the rare-event tail of short rainfall records
• Title（参考訳）: 短い降雨記録の希少な尾を埋める嵐のライフサイクル
• Abstract要約: StormGenは、観測された嵐の初期時刻を、数分で、物理的に妥当な時間ごとの降雨ライフサイクルに変換する、生成的な機械学習モデルである。 このモデルは、訓練中に完全に欠席したにもかかわらず、特定のライフサイクル、空間パターン、およびハリケーン・ハーベイ自体の極端な総量を再構築した。
• 参考スコア（独自算出の注目度）: 0.6299766708197881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Historically rare ''one-in-a-generation'' storms are occurring with unprecedented frequency, causing catastrophic damage and mounting casualties, and exposing the vulnerability of infrastructure designed around short observational records. To overcome the limitations of sparse data, we present StormGen, a generative machine-learning model that transforms an observed storm's initial hours into complete, physically plausible hourly rainfall lifecycles in minutes. Evaluated on a decade of southeast Texas rainfall, StormGen produced close counterparts for 4\5% of the most severe 2\% of storms--compared to just 3\% for stochastic storm transposition--and maintained spatial coherence over full 24-hour sequences. Crucially, from a single hour of initial rainfall, the model successfully reconstructed the specific lifecycle, spatial pattern, and extreme catchment totals of Hurricane Harvey itself, despite the event being entirely absent in training. Because storm timing alone can more than double peak flows, these complete generated scenarios provide a vital mechanism to stress-test flood protections against unprecedented extremes.
• Abstract（参考訳）: 歴史的に稀な「第1世代」の嵐は、前例のない頻度で発生し、破滅的な損傷と損傷を発生させ、短い観測記録を中心に設計されたインフラの脆弱性を露呈している。 スパースデータの制限を克服するため、StormGenは、観測された嵐の初期時刻を、数分で、物理的に妥当な時間ごとの降雨ライフサイクルに変換する生成機械学習モデルである。 ストームジェネレーションはテキサス州南東部の10年間の降雨で評価され、ストームジェネレーションの最大2倍の4倍の強風を発生させ、ストームジェネレーションの3倍、24時間連続の空間コヒーレンスを維持した。 重要なことに、最初の1時間の降雨から、このモデルは訓練に完全に欠席しているにもかかわらず、特定のライフサイクル、空間パターン、およびハリケーン・ハーベイ自体の極端な捕獲量を再構築することに成功しました。 嵐のタイミングだけでは2倍以上のピークフローが可能であるため、これらの完全なシナリオは前例のない極端に対するストレス-テストの洪水防御に不可欠なメカニズムを提供する。

関連論文リスト

• MW-Nowcast: Six-hour ensemble nowcasting of extreme precipitation [41.25101262603197]
  レーダベースの生成機械学習モデルにより、急激な局部降水が可能である。 しかし、降水量の正確な予測は最初の数時間に限られている。 ここでは、Microsoft Weather Nowcast(MW-Nowcast)について紹介する。
  論文  参考訳（メタデータ） (2026-09-28T10:34:06Z)
• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• StormNet: Improving storm surge predictions with a GNN-based spatio-temporal offset forecasting model [0.19591672610801836]
  StormNetは、極端な気象イベントにおける嵐発生予測精度と信頼性を改善するためのグラフベースのフレームワークである。 また,48時間予測では70%以上,72時間予測では50%以上削減できる。 StormNetはトレーニング時間も低く、リアルタイムの運用予測システムへの適用性も向上している。
  論文  参考訳（メタデータ） (2026-04-22T15:36:19Z)
• DPSformer: A long-tail-aware model for improving heavy rainfall prediction [48.884870685632755]
  DPSformerは,高分解能分岐による豪雨イベントの表現を充実させる長テール認識モデルである。 豪雨の場合、DPSformerはベースラインの数値気象予測(NWP)モデルのCritical Success Index(CSI)を0.012から0.067に引き上げる。 我々の研究は、降雨予測のための効果的な長期的パラダイムを確立し、早期警戒システムを強化し、極端な気象事象の社会的影響を軽減するための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2025-09-20T15:09:38Z)
• Implicit Assimilation of Sparse In Situ Data for Dense & Global Storm Surge Forecasting [3.052088487918602]
  ニューラルネットワークは, 沈み込みゲージデータと粗大な海洋状態の再解析とを暗黙的に同化して, 暴風の予報を行うことができることを示す。 これまでの作業は既知のゲージに限られていたが、我々のアプローチは未掘削の場所にまで拡張され、世界的な暴風雨予報への道が開かれた。
  論文  参考訳（メタデータ） (2024-04-05T21:28:56Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• A Framework for Flexible Peak Storm Surge Prediction [2.362412515574206]
  暴風雨は沿岸地域では大きな自然災害であり、大きな被害と生命の喪失の原因となっている。 我々は,多段階アプローチに基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。 我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
  論文  参考訳（メタデータ） (2022-04-27T20:02:25Z)

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。