論文の概要: Computationally-Efficient Climate Predictions using Multi-Fidelity
Surrogate Modelling
- arxiv url: http://arxiv.org/abs/2109.07468v1
- Date: Tue, 3 Aug 2021 15:26:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 00:28:59.749586
- Title: Computationally-Efficient Climate Predictions using Multi-Fidelity
Surrogate Modelling
- Title(参考訳): マルチフィデリティ・サロゲートモデルを用いた計算効率の良い気候予測
- Authors: Ben Hudson, Frederik Nijweide, Isaac Sebenius
- Abstract要約: 我々は,高忠実度気候予測を低コストで生成する手段として,多忠実度サロゲートモデルの可能性について検討した。
我々のモデルは、低忠実度気候モデル(GCM)と高忠実度地域気候モデル(RCM)の予測を組み合わせる。
我々は高忠実度モデルのみと比較して計算コストが大幅に低い高忠実度温度予測を作成できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately modelling the Earth's climate has widespread applications ranging
from forecasting local weather to understanding global climate change.
Low-fidelity simulations of climate phenomena are readily available, but
high-fidelity simulations are expensive to obtain. We therefore investigate the
potential of Gaussian process-based multi-fidelity surrogate modelling as a way
to produce high-fidelity climate predictions at low cost. Specifically, our
model combines the predictions of a low-fidelity Global Climate Model (GCM) and
those of a high-fidelity Regional Climate Model (RCM) to produce high-fidelity
temperature predictions for a mountainous region on the coastline of Peru. We
are able to produce high-fidelity temperature predictions at significantly
lower computational cost compared to the high-fidelity model alone: our
predictions have an average error of $15.62^\circ\text{C}^2$ yet our approach
only evaluates the high-fidelity model on 6% of the region of interest.
- Abstract(参考訳): 地球の気候を正確にモデル化することは、地域気象の予測から地球規模の気候変動の理解まで幅広い応用がある。
気候現象の低忠実度シミュレーションは容易に利用できるが、高忠実度シミュレーションは入手が困難である。
そこで我々は,高忠実度気候予測を低コストで生成する方法として,ガウス過程に基づく多忠実度シュロゲートモデリングの可能性を検討する。
具体的には,低忠実度気候モデル (GCM) の予測と高忠実度地域気候モデル (RCM) の予測を組み合わせることで,ペルーの海岸沿いの山岳地域の高忠実度気候予測を行う。
我々の予測は平均誤差が15.62^\circ\text{C}^2$であるのに対して、我々の手法は興味のある領域の6%でのみ高忠実度モデルを評価する。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$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) - Towards an end-to-end artificial intelligence driven global weather
forecasting system [56.58654971803005]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが希少な地球観測を同化して高品質な分析を行うことを示す。
我々は,提案手法を実世界のシナリオに適用した最初の人物である。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - 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) - 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) - 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) - 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) - Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文 参考訳(メタデータ) (2022-04-12T13:30:01Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
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。
論文 参考訳(メタデータ) (2021-04-29T02:10:08Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳(メタデータ) (2020-10-20T15:31:38Z)
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。