運用向け全球地上局（Global Station）気象予報のための物理インフォームド時系列モデルのベンチマーク

arXiv stat.ML / 2026/4/1

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、運用向け全球地上局気象予報における時系列予測ベンチマークを改善することを目的とした、より大規模で現実的な観測データセット「WEATHER-5K」を導入する。従来はデータ規模および時空間的なカバー範囲が限られていた。
提案手法として、PhysicsFormer（物理インフォームド予測モデル）を示す。これは動的コアとTransformerの残差を統合し、圧力と風の整合、およびエネルギーを考慮した滑らかさに関する損失を用いて物理的整合性を強制する。
著者らは、PhysicsFormerおよびその他の時系列予測（TSF）モデルを、複数の気象変数、極端事象の予測、モデル複雑度の変化にわたって、運用上の数値予報（NWP）システムと比較しベンチマークする。
結果は、特に複雑な力学や極端事象において、学術的なTSF手法と運用的な予報システムとの性能ギャップを「埋める（あるいは少なくとも定量化する）」ことに焦点を当てて提示される。
データセットとベンチマーク実装はGitHubで公開され、再現可能な評価と、運用上関連の高い予測に関するさらなる研究を可能にする。

要旨: 時系列予測（Time-Series Forecasting: TSF）モデルの開発は、しばしば包括的なデータセットの欠如によって制約されます。特に全球定点気象予測（Global Station Weather Forecasting: GSWF）では、既存のデータセットは小規模で、時間的に短く、空間的にも疎です。これに対処するために、現実の状況をよりよく反映した大規模観測型気象データセットである WEATHER-5K を提案します。これにより、モデルの学習と評価の改善を支援します。近年の TSF 手法はベンチマークでは良好に機能する一方で、複雑な天候ダイナミクスや極端現象を捉える点では、運用上の数値気象予測（Numerical Weather Prediction）システムに遅れをとっています。我々は、動力学コアと Transformer の残差（residual）を組み合わせた物理に基づく予測モデルである PhysicsFormer を提案し、将来の天候状態を予測します。物理的整合性は、圧力-風の整合（pressure-wind alignment）とエネルギーを意識した滑らかさ（energy-aware smoothness）の損失によって強制され、複雑な時系列パターンを捉えつつ、もっともらしいダイナミクスを保証します。PhysicsFormer および他の TSF モデルを、複数の気象変数、極端現象の予測、モデル複雑性に関して、運用システムとベンチマーク比較します。これにより、学術的な TSF モデルと運用上の予測とのギャップについて包括的な評価を提供します。データセットとベンチマークの実装は以下で利用可能です: https://github.com/taohan10200/WEATHER-5K。