論文の概要: WeatherDreamer: Learning a World Model from Multimodal Earth Observations
- arxiv url: http://arxiv.org/abs/2611.18393v1
- Date: Fri, 13 Nov 2026 16:37:49 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:08.925192
- Title: WeatherDreamer: Learning a World Model from Multimodal Earth Observations
- Title(参考訳): 天気予報:マルチモーダル地球観測から世界モデルを学ぶ
- Abstract要約: 我々は、このサイクルを18の地球観測システムからエンド・ツー・エンドに学習する世界モデルであるWeatherDreamerを紹介した。
観測結果から潜伏状態を推測し、学習されたダイナミクスで時間ごとに前向きに計算し、新しい観測で毎時間修正し、その観測システムがどの地点で何を計測するかを予測する。
ホールドアウトステーションでは、そのアンサンブルがNOAAのGlobal Ensemble Forecast System(GEFS)を12時間に上回り、GEFSやECMWFのアンサンブルよりも校正されている。
- 参考スコア(独自算出の注目度): 2.093510158982825
- License:
- Abstract: Machine learning weather models now rival operational global forecasts but still start from analyses produced by separate, expensive data assimilation (DA) systems, which for global models are typically updated every six hours. Observation-to-observation models avoid this dependence, but most omit the recursive filtering cycle that lets DA systems carry a background state through sparse, irregular observations. We introduce WeatherDreamer, a world model that learns this cycle end-to-end from 18 global observing systems, without reanalysis. It infers a latent state from observations, carries it forward hour by hour with learned dynamics, corrects it each hour with new observations, and can predict what any of its observing systems would measure at any location. At held-out stations, its ensembles beat NOAA's Global Ensemble Forecast System (GEFS) for temperature, dew point and wind out to 12 h and are better calibrated than GEFS and the ECMWF ensemble. Precipitation, cloud-top height and solar irradiance, never inputs at inference, are inferred with skill matching or exceeding operational products at short leads. Against the first guess of NOAA's Gridpoint Statistical Interpolation (GSI) DA system, WeatherDreamer's short-range departures are within 10% of GSI's at surface stations and within 25% for moisture-sensitive microwave channels, but up to five times larger for temperature-sounding channels. Never given observation errors, its learned update assumes errors close to known instrument and retrieval errors of microwave sounders and scatterometer winds. WeatherDreamer also separates viewing geometry from atmospheric state, recovering 83-96% of observed limb darkening and producing seamless nadir-view imagery. Producing an hourly global analysis in about 1.5 minutes on one GPU, WeatherDreamer shows that assimilation and forecasting can be learned together directly from observations.
- Abstract(参考訳): マシンラーニングの天気モデルは現在、運用上のグローバル予測と競合するが、通常は6時間毎に更新される、別々の高価なデータ同化(DA)システムによって生成された分析から始まる。
観測から観測までのモデルは、この依存を避けるが、ほとんどの場合、DAシステムはスパースで不規則な観測を通してバックグラウンド状態を運ぶことができる再帰的なフィルタリングサイクルを省略する。
我々は、このサイクルを18の地球観測システムからエンド・ツー・エンドに学習する世界モデルであるWeatherDreamerを紹介した。
観測結果から潜伏状態を推測し、学習されたダイナミクスで時間ごとに前向きに計算し、新しい観測で毎時間修正し、その観測システムがどの地点で何を計測するかを予測する。
ホールドアウトステーションでは、そのアンサンブルがNOAAのGlobal Ensemble Forecast System(GEFS)を12時間に上回り、GEFSやECMWFのアンサンブルよりも校正されている。
降水量、雲の高さ、太陽の照度は、推論時に決して入力されず、スキルマッチングやショートリードでの操作製品の超過によって推定される。
NOAA のグリッドポイント統計補間 (GSI) DA システムの最初の推測に反して、ウェザードレーマーの短距離離脱は、表面ステーションにおける GSI の10%以内であり、湿度感受性のマイクロ波チャネルでは25%以内であるが、温度測定チャネルでは最大で5倍である。
観測誤差を考慮せず、学習したアップデートでは、既知の計器に近い誤差とマイクロ波の発振器と散乱計の風の検索誤差を仮定している。
ウェザードレーマーは、大気の状態から視線を分離し、観察された下肢の暗色化の83-96%を回復し、シームレスなナディア画像を生成する。
1つのGPU上で1時間のグローバル分析を約1.5分で生成すると、WeatherDreamer氏は、同化と予測が観察から直接学習可能であることを示した。
関連論文リスト
- 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) - 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) - Observation-driven correction of numerical weather prediction for marine winds [14.58447529631976]
我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。
我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。
モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
論文 参考訳(メタデータ) (2025-12-03T09:39:44Z) - DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。
AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。
我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文 参考訳(メタデータ) (2025-10-13T03:13:35Z) - Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。
この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
論文 参考訳(メタデータ) (2025-04-25T22:14:29Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳(メタデータ) (2024-08-08T06:47:21Z) - Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。
データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。
そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-07-22T12:23:26Z) - Global atmospheric data assimilation with multi-modal masked autoencoders [20.776143147372427]
EarthNetはデータ同化のためのマルチモーダル基礎モデルである。
衛星観測のみから、地球規模のギャップに満ちた大気状態を予測することを学ぶ。
大気の3次元温度と湿度の地球規模の0.16度の再分析データセットを生成する。
論文 参考訳(メタデータ) (2024-07-16T13:15:51Z) - 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。