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

• Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
  本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。 このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
  論文  参考訳（メタデータ） (2024-11-08T07:46:50Z)
• 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)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Enhancing Weather Predictions: Super-Resolution via Deep Diffusion Models [0.0]
  本研究では,気象データの超解像に対するディープラーニング拡散モデルの適用について検討した。 本稿では,低分解能気象データを高分解能出力に変換する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T14:15:12Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations [8.71735078449217]
  本稿ではメタラーニングを活用した統一的なダウンスケーリング手法を提案する。 ERA5, GFSから温度, 風, 表面圧力, 総降水量からなる変数を訓練した。 提案手法は, 対流降水量, 電位, エネルギー高さ, 湿度CFS, S2S, CMIP6の時間スケールに拡張可能である。
  論文  参考訳（メタデータ） (2024-04-26T06:31:44Z)
• 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)
• 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)
• 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)
• 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。