論文の概要: Modelling and simulating spatial extremes by combining extreme value
theory with generative adversarial networks
- arxiv url: http://arxiv.org/abs/2111.00267v1
- Date: Sat, 30 Oct 2021 15:05:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 05:52:01.361026
- Title: Modelling and simulating spatial extremes by combining extreme value
theory with generative adversarial networks
- Title（参考訳）: 極値理論と生成逆ネットワークを組み合わせた空間的極大のモデル化とシミュレーション
- Authors: Younes Boulaguiem, Jakob Zscheischler, Edoardo Vignotto, Karin van der
Wiel and Sebastian Engelke
- Abstract要約: 統計学において、極値理論は空間的極値のモデル化にしばしば用いられる。
ここでは,GANと極値理論(evtGAN)を組み合わせることで,夏季の気温の最大値と降水時の冬の最大値の空間依存性をモデル化する。
以上の結果から,evtGANは空間的極端をモデル化するための古典的GANや標準統計的アプローチよりも優れていた。
- 参考スコア（独自算出の注目度）: 0.1469945565246172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling dependencies between climate extremes is important for climate risk
assessment, for instance when allocating emergency management funds. In
statistics, multivariate extreme value theory is often used to model spatial
extremes. However, most commonly used approaches require strong assumptions and
are either too simplistic or over-parametrised. From a machine learning
perspective, Generative Adversarial Networks (GANs) are a powerful tool to
model dependencies in high-dimensional spaces. Yet in the standard setting,
GANs do not well represent dependencies in the extremes. Here we combine GANs
with extreme value theory (evtGAN) to model spatial dependencies in summer
maxima of temperature and winter maxima in precipitation over a large part of
western Europe. We use data from a stationary 2000-year climate model
simulation to validate the approach and explore its sensitivity to small sample
sizes. Our results show that evtGAN outperforms classical GANs and standard
statistical approaches to model spatial extremes. Already with about 50 years
of data, which corresponds to commonly available climate records, we obtain
reasonably good performance. In general, dependencies between temperature
extremes are better captured than dependencies between precipitation extremes
due to the high spatial coherence in temperature fields. Our approach can be
applied to other climate variables and can be used to emulate climate models
when running very long simulations to determine dependencies in the extremes is
deemed infeasible.
- Abstract（参考訳）: 気候極端間の依存関係をモデル化することは、例えば緊急管理資金を割り当てる際の気候リスク評価にとって重要である。
統計学において、多変量極値理論は空間的極値のモデル化にしばしば用いられる。
しかし、最も一般的に使われるアプローチは強い仮定が必要であり、単純すぎるか過剰なパラメータである。
機械学習の観点からは、GAN(Generative Adversarial Networks)は高次元空間における依存関係をモデル化するための強力なツールである。
しかし、標準設定では、GANは極端な依存関係をうまく表現していない。
ここでは,GANを極値理論(evtGAN)と組み合わせて,夏季の気温の最大値と冬季の最大値の降水量の空間依存性をモデル化する。
定常2000年間の気候モデルシミュレーションのデータを用いて,そのアプローチを検証し,小さなサンプルサイズに対する感度を探索する。
以上の結果から,evtGANは空間的極端をモデル化するための古典的GANや標準統計的アプローチよりも優れていた。
すでに50年分のデータがあり、一般的に利用可能な気候記録に対応しています。
一般に、温度極端間の依存性は、温度場における高い空間的コヒーレンスのため、降水極端間の依存性よりもよく捉えられる。
我々のアプローチは他の気候変数にも適用可能であり、極端における依存関係を決定するために非常に長いシミュレーションを行う場合、気候モデルをエミュレートするために使用できる。
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) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - Combining deep generative models with extreme value theory for synthetic
hazard simulation: a multivariate and spatially coherent approach [0.0]
GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。
我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。
一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
論文 参考訳（メタデータ） (2023-11-30T12:55:51Z) - 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) - 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) - Contrastive Learning for Climate Model Bias Correction and
Super-Resolution [0.0]
局地的な気候リスクを正確に見積もるために、後処理が必要である。
本稿では,画像スーパーレゾリューション(SR)とコントラスト学習生成対向ネットワーク(GAN)の組み合わせに基づく,この課題に対する代替手法を提案する。
われわれのモデルでは、NASAの2倍の空間分解能に到達し、日中の降水量と温度の両方において、同等または改善された偏差補正を達成できた。
論文 参考訳（メタデータ） (2022-11-10T19:45:17Z) - 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) - 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) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z)
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。