論文の概要: Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks
- arxiv url: http://arxiv.org/abs/2105.06386v1
- Date: Thu, 29 Apr 2021 02:10:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 11:30:44.255698
- Title: Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks
- Title(参考訳): 生成的逆ネットワークを用いたグローバル気候モデルのゆるい条件付きエミュレーション
- Authors: Alexis Ayala, Christopher Drazic, Brian Hutchinson, Ben Kravitz,
Claudia Tebaldi
- Abstract要約: 我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
- 参考スコア(独自算出の注目度): 2.937141232326068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate models encapsulate our best understanding of the Earth system,
allowing research to be conducted on its future under alternative assumptions
of how human-driven climate forces are going to evolve. An important
application of climate models is to provide metrics of mean and extreme climate
changes, particularly under these alternative future scenarios, as these
quantities drive the impacts of climate on society and natural systems. Because
of the need to explore a wide range of alternative scenarios and other sources
of uncertainties in a computationally efficient manner, climate models can only
take us so far, as they require significant computational resources, especially
when attempting to characterize extreme events, which are rare and thus demand
long and numerous simulations in order to accurately represent their changing
statistics. Here we use deep learning in a proof of concept that lays the
foundation for emulating global climate model output for different scenarios.
We train two "loosely conditioned" Generative Adversarial Networks (GANs) that
emulate daily precipitation output from a fully coupled Earth system model: one
GAN modeling Fall-Winter behavior and the other Spring-Summer. Our GANs are
trained to produce spatiotemporal samples: 32 days of precipitation over a
64x128 regular grid discretizing the globe. We evaluate the generator with a
set of related performance metrics based upon KL divergence, and find the
generated samples to be nearly as well matched to the test data as the
validation data is to test. We also find the generated samples to accurately
estimate the mean number of dry days and mean longest dry spell in the 32 day
samples. Our trained GANs can rapidly generate numerous realizations at a
vastly reduced computational expense, compared to large ensembles of climate
models, which greatly aids in estimating the statistics of extreme events.
- Abstract(参考訳): 気候モデルは、地球システムに関する最良の理解をカプセル化しており、人間主導の気候力がどのように進化するかという別の仮定の下で、その将来について研究することができる。
気候モデルの重要な応用は、特にこれらの代替シナリオの下で、平均的および極端な気候変動のメトリクスを提供することである。
多様な代替シナリオや、他の不確実性の源を計算効率良く探究する必要があるため、気候モデルは、重要な計算資源を必要とするため、特に極端な事象を特徴付けようとする場合には、その変化の統計を正確に表現するために、長いシミュレーションを必要としている。
ここでは、さまざまなシナリオでグローバルな気候モデル出力をエミュレートする基礎となる概念実証にディープラーニングを使用します。
我々は,完全に結合した地球系モデルから1日あたりの降水量をエミュレートする2つのgan(lowosely conditioned)生成型逆境ネットワーク(gans)を訓練した。
私たちのganは時空間的なサンプルを生成するように訓練されています。
klの発散に基づく一連の関連するパフォーマンス指標を用いてジェネレータを評価し、生成したサンプルがテストデータと同様にテストデータとほぼ一致していることを確認します。
また,32日間の平均乾日数と平均乾日スペルを正確に推定した。
我々の訓練されたGANは、極端な事象の統計を推定するのに大いに役立つ大規模な気候モデルと比較して、計算コストを大幅に削減して、多くの実現を迅速に得ることができる。
関連論文リスト
- Generating High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳(メタデータ) (2023-12-12T09:39:52Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - TemperatureGAN: Generative Modeling of Regional Atmospheric Temperatures [1.5554651050867165]
発電機は様々な分野の 気候影響を推定するのに役立ちます
様々な分野の気候リスクを予測するには、正確で(統計的に地道に類似している)、信頼性があり(誤った例を作らない)、効率的であるジェネレータが必要である。
本研究では, 月, 場所, 時間に条件を定め, 1時間分解能で地上の気温2m以上を発生させるCreateGANを紹介した。
論文 参考訳(メタデータ) (2023-06-29T18:34:37Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - 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) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - 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)
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。