論文の概要: Predicting Atlantic Multidecadal Variability

• arxiv url: http://arxiv.org/abs/2111.00124v1
• Date: Fri, 29 Oct 2021 23:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 12:13:03.242465
• Title: Predicting Atlantic Multidecadal Variability
• Title（参考訳）: 大西洋における多段階変動予測
• Authors: Glenn Liu, Peidong Wang, Matthew Beveridge, Young-Oh Kwon, Iddo Drori
• Abstract要約: 大西洋の多面的変動は、典型的な周期が60年から70年の間である北大西洋の海面温度の変動を記述している。 この研究は、北大西洋地域の海面温度、塩分濃度、海面圧力のマップから、AMV予測の状態を改善するために、複数の機械学習モデルをテストする。
• 参考スコア（独自算出の注目度）: 7.664716161640758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atlantic Multidecadal Variability (AMV) describes variations of North Atlantic sea surface temperature with a typical cycle of between 60 and 70 years. AMV strongly impacts local climate over North America and Europe, therefore prediction of AMV, especially the extreme values, is of great societal utility for understanding and responding to regional climate change. This work tests multiple machine learning models to improve the state of AMV prediction from maps of sea surface temperature, salinity, and sea level pressure in the North Atlantic region. We use data from the Community Earth System Model 1 Large Ensemble Project, a state-of-the-art climate model with 3,440 years of data. Our results demonstrate that all of the models we use outperform the traditional persistence forecast baseline. Predicting the AMV is important for identifying future extreme temperatures and precipitation, as well as hurricane activity, in Europe and North America up to 25 years in advance.
• Abstract（参考訳）: アトランティック・マルチデカダル変動(Atlantic Multidecadal Variability、AMV)は、北大西洋の海面温度の変動を60年から70年周期で表している。 AMVは北米と欧州の地域気候に強く影響し、AMVの予測、特に極端な価値は、地域気候変動の理解と対応のために非常に社会的に有用である。 この研究は、北大西洋地域の海面温度、塩分濃度、海面圧力のマップから、AMV予測の状態を改善するために、複数の機械学習モデルをテストする。 私たちは、3,440年のデータを持つ最先端の気候モデルであるCommunity Earth System Model 1 Large Ensemble Projectのデータを使用します。 我々の結果は、私たちが使用しているすべてのモデルが従来の永続化予測ベースラインを上回っていることを示している。 AMVの予測は、ヨーロッパと北米で25年先まで、将来の極端な気温と降水量、およびハリケーン活動を特定するために重要である。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble [0.3626013617212667]
  本稿ではLANE-SIという適応的な代理モデル手法を提案する。 異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。 我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
  論文  参考訳（メタデータ） (2023-12-07T14:48:30Z)
• Reducing Uncertainty in Sea-level Rise Prediction: A Spatial-variability-aware Approach [4.32583920500711]
  本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。 実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
  論文  参考訳（メタデータ） (2023-10-19T02:13:38Z)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• 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)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies [2.8411302762015844]
  我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。 このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。 また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
  論文  参考訳（メタデータ） (2022-02-21T03:11:27Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• 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)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  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。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。