論文の概要: Analyzing High-Resolution Clouds and Convection using Multi-Channel VAEs
- arxiv url: http://arxiv.org/abs/2112.01221v1
- Date: Wed, 1 Dec 2021 06:23:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 13:48:40.253046
- Title: Analyzing High-Resolution Clouds and Convection using Multi-Channel VAEs
- Title(参考訳): マルチチャネルVAEを用いた高分解能雲と対流の解析
- Authors: Harshini Mangipudi, Griffin Mooers, Mike Pritchard, Tom Beucler,
Stephan Mandt
- Abstract要約: 大気科学者は、高解像度で嵐を解消するシミュレーションを実行し、キロメートル規模の気象の詳細を捉えます。
本稿では, 垂直風速, 温度, 水蒸気情報の空間配列を, VAEアーキテクチャの3つの「チャネル」として結合的に埋め込み, データ駆動型アプローチを提案する。
- 参考スコア(独自算出の注目度): 15.695330558298705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the details of small-scale convection and storm formation is
crucial to accurately represent the larger-scale planetary dynamics. Presently,
atmospheric scientists run high-resolution, storm-resolving simulations to
capture these kilometer-scale weather details. However, because they contain
abundant information, these simulations can be overwhelming to analyze using
conventional approaches. This paper takes a data-driven approach and jointly
embeds spatial arrays of vertical wind velocities, temperatures, and water
vapor information as three "channels" of a VAE architecture. Our "multi-channel
VAE" results in more interpretable and robust latent structures than earlier
work analyzing vertical velocities in isolation. Analyzing and clustering the
VAE's latent space identifies weather patterns and their geographical
manifestations in a fully unsupervised fashion. Our approach shows that VAEs
can play essential roles in analyzing high-dimensional simulation data and
extracting critical weather and climate characteristics.
- Abstract(参考訳): 小型対流とストーム形成の詳細を理解することは、惑星の大規模ダイナミクスを正確に表現するために重要である。
現在、大気科学者は高分解能で嵐を解消するシミュレーションを行い、これらのkm規模の気象情報を捉えている。
しかし、これらのシミュレーションには豊富な情報が含まれているため、従来の手法を用いて解析することは圧倒的である。
本稿では,データ駆動型手法を用いて,垂直風速,温度,水蒸気情報の空間配列をvaeアーキテクチャの3つの"チャネル"として組み込む。
私たちの"マルチチャネルvae"は、分離した垂直速度を分析する以前の研究よりも、解釈可能で堅牢な潜在構造をもたらします。
VAEの潜伏空間の分析とクラスタリングは、気象パターンとその地理的表示を完全に教師なしの方法で識別する。
本研究は,vaesが高次元シミュレーションデータの解析や気象・気候特性の抽出において重要な役割を担っていることを示す。
関連論文リスト
- 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) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - Foundation Models for Weather and Climate Data Understanding: A
Comprehensive Survey [39.08108001903514]
私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。
主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
論文 参考訳(メタデータ) (2023-12-05T01:10:54Z) - Understanding and Visualizing Droplet Distributions in Simulations of
Shallow Clouds [13.200838744804942]
我々は,ドロップレットサイズを整理する上で,新規かつ直感的に可視化する。
液滴スペクトルの進化はエアロゾル準位に類似しているが、異なる速度で起こる。
この類似性は、降水開始過程は、開始時期の変動にもかかわらず類似していることを示している。
論文 参考訳(メタデータ) (2023-10-31T04:25:00Z) - 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) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Multistream Graph Attention Networks for Wind Speed Forecasting [4.644923443649426]
本稿では,グラフ注意ネットワーク(GAT)に基づく風速予測の新しいモデルを提案する。
特に,提案モデルでは,学習可能な隣接行列を用いてGATアーキテクチャを拡張した。
風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
論文 参考訳(メタデータ) (2021-08-16T12:58:26Z) - 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。