論文の概要: Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections
- arxiv url: http://arxiv.org/abs/2009.11279v1
- Date: Wed, 23 Sep 2020 17:52:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 15:53:20.036352
- Title: Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections
- Title(参考訳): 高分解能気候変動予測のための拡張畳み込みLSTM
- Authors: Nidhin Harilal, Udit Bhatia, Mayank Singh
- Abstract要約: 統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
- 参考スコア(独自算出の注目度): 1.7503398807380832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Projection of changes in extreme indices of climate variables such as
temperature and precipitation are critical to assess the potential impacts of
climate change on human-made and natural systems, including critical
infrastructures and ecosystems. While impact assessment and adaptation planning
rely on high-resolution projections (typically in the order of a few
kilometers), state-of-the-art Earth System Models (ESMs) are available at
spatial resolutions of few hundreds of kilometers. Current solutions to obtain
high-resolution projections of ESMs include downscaling approaches that
consider the information at a coarse-scale to make predictions at local scales.
Complex and non-linear interdependence among local climate variables (e.g.,
temperature and precipitation) and large-scale predictors (e.g., pressure
fields) motivate the use of neural network-based super-resolution
architectures. In this work, we present auxiliary variables informed
spatio-temporal neural architecture for statistical downscaling. The current
study performs daily downscaling of precipitation variable from an ESM output
at 1.15 degrees (~115 km) to 0.25 degrees (25 km) over the world's most
climatically diversified country, India. We showcase significant improvement
gain against three popular state-of-the-art baselines with a better ability to
predict extreme events. To facilitate reproducible research, we make available
all the codes, processed datasets, and trained models in the public domain.
- Abstract(参考訳): 気温や降水量といった気候変数の極端な指標の変化の予測は、重要なインフラや生態系を含む人為的・自然的なシステムに対する気候変動の影響を評価する上で非常に重要である。
影響評価と適応計画は高解像度の投影(通常は数kmの順)に依存しているが、最先端の地球系モデル(ESM)は数百kmの空間解像度で利用可能である。
ESMの高分解能プロジェクションを得るための現在のソリューションには、局所スケールで予測を行うために粗いスケールで情報を考えるダウンスケーリングアプローチが含まれる。
局所的な気候変数(温度や降水など)と大規模予測因子(圧力場など)の複雑で非線形な相互依存は、ニューラルネットワークに基づく超解像アーキテクチャの使用を動機付けている。
本稿では,統計的ダウンスケーリングのための補助変数情報付き時空間ニューラルアーキテクチャを提案する。
現在の研究では、esmの出力である1.15度 (~115 km) から0.25度 (25 km) までの降水変動を、世界で最も気候が多様化したインドで毎日ダウンスケールしている。
最先端の3つのベースラインに対して,極端なイベントの予測能力が向上し,大幅な改善がみられた。
再現可能な研究を容易にするため、パブリックドメイン内のすべてのコード、処理されたデータセット、トレーニングされたモデルを利用可能にしています。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - CMIP X-MOS: Improving Climate Models with Extreme Model Output
Statistics [40.517778024431244]
自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。
この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。
これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
論文 参考訳(メタデータ) (2023-10-24T13:18:53Z) - Multi-variable Hard Physical Constraints for Climate Model Downscaling [17.402215838651557]
地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。
彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。
本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
論文 参考訳(メタデータ) (2023-08-02T11:42:02Z) - Climate Intervention Analysis using AI Model Guided by Statistical
Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。
利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。
我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文 参考訳(メタデータ) (2023-02-07T05:09:10Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Deep generative model super-resolves spatially correlated multiregional
climate data [5.678539713361703]
逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。
提案手法は,気候変動の影響を地域間一貫した評価に有効である。
本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
論文 参考訳(メタデータ) (2022-09-26T05:45:16Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳(メタデータ) (2020-10-08T15:16:16Z)
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。