論文の概要: ClimAlign: Unsupervised statistical downscaling of climate variables via normalizing flows

• arxiv url: http://arxiv.org/abs/2008.04679v1
• Date: Tue, 11 Aug 2020 13:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 10:36:37.273559
• Title: ClimAlign: Unsupervised statistical downscaling of climate variables via normalizing flows
• Title（参考訳）: climalign:ノーマライズドフローによる気候変数の教師なし統計スケール
• Authors: Brian Groenke, Luke Madaus, Claire Monteleoni
• Abstract要約: 変分推論の正規化における最近の研究の適応を用いた、教師なし、生成的ダウンスケーリングの新しい手法であるClimAlignを提案する。 提案手法は,高分解能および低分解能空間場上の関節分布からの条件および非条件サンプリングを同時に行うとともに,既存の教師付きダウンスケーリング手法に匹敵する予測性能を実現する。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Downscaling is a landmark task in climate science and meteorology in which the goal is to use coarse scale, spatio-temporal data to infer values at finer scales. Statistical downscaling aims to approximate this task using statistical patterns gleaned from an existing dataset of downscaled values, often obtained from observations or physical models. In this work, we investigate the application of deep latent variable learning to the task of statistical downscaling. We present ClimAlign, a novel method for unsupervised, generative downscaling using adaptations of recent work in normalizing flows for variational inference. We evaluate the viability of our method using several different metrics on two datasets consisting of daily temperature and precipitation values gridded at low (1 degree latitude/longitude) and high (1/4 and 1/8 degree) resolutions. We show that our method achieves comparable predictive performance to existing supervised statistical downscaling methods while simultaneously allowing for both conditional and unconditional sampling from the joint distribution over high and low resolution spatial fields. We provide publicly accessible implementations of our method, as well as the baselines used for comparison, on GitHub.
• Abstract（参考訳）: ダウンスケーリングは気候科学と気象学において目覚ましい課題であり、そのゴールは粗いスケールと時空間のデータを使ってより細かいスケールで値を推測することである。 統計的ダウンスケーリングは、観測や物理モデルから得られる既存のダウンスケール値のデータセットから得られた統計パターンを使用して、このタスクを近似することを目的としている。 本研究では,統計的ダウンスケーリングの課題に対する潜伏変数学習の適用について検討する。 ClimAlignは、変動推論のためのフローの正規化における最近の研究の適応を用いた、教師なし、生成的ダウンスケーリングの新しい手法である。 本手法の有効性は,1日あたりの気温と降水量の値が低地 (1度/経度) と高地 (1/4, 1/8度) の2つのデータセットの異なる指標を用いて評価した。 提案手法は,高分解能および低分解能空間場上での関節分布からの条件および非条件サンプリングを同時に行うとともに,既存の教師付き統計的ダウンスケーリング手法に匹敵する予測性能を実現する。 当社のメソッドのパブリックアクセス実装と,比較に使用されるベースラインをGitHubで公開しています。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Climate Variable Downscaling with Conditional Normalizing Flows [21.2670980628433]
  気候変動ダウンスケーリングの課題に条件付き正規化フローを適用した。 本手法により, 標準偏差による予測不確かさを, 条件分布平均から推定できることを示す。
  論文  参考訳（メタデータ） (2024-05-31T09:20:33Z)
• 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)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
  本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。 相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。 回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
  論文  参考訳（メタデータ） (2022-11-29T01:11:04Z)
• Hard-Constrained Deep Learning for Climate Downscaling [30.280862393706542]
  高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。 予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。 深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
  論文  参考訳（メタデータ） (2022-08-08T16:54:01Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Anomaly Detection at Scale: The Case for Deep Distributional Time Series Models [14.621700495712647]
  我々のアプローチの主な特徴は、実値または実値のベクトルからなる時系列をモデル化するのではなく、実値(またはベクトル)上の確率分布の時系列をモデル化することである。 本手法は,数百万の時系列上の異常検出とスケールのストリーミングに有効である。 我々は,オープンソースの異常検出ツールを,実世界のデータセットに対する平均17%の改善率で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-30T15:48:55Z)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)

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。