論文の概要: Climate-Invariant Machine Learning
- arxiv url: http://arxiv.org/abs/2112.08440v1
- Date: Tue, 14 Dec 2021 07:02:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 12:54:55.748713
- Title: Climate-Invariant Machine Learning
- Title(参考訳): 気候不変機械学習
- Authors: Tom Beucler, Michael Pritchard, Janni Yuval, Ankitesh Gupta, Liran
Peng, Stephan Rasp, Fiaz Ahmed, Paul A. O'Gorman, J. David Neelin, Nicholas
J. Lutsko, Pierre Gentine
- Abstract要約: 再スケールまたは"気候不変"ニューラルネットワークは、トレーニング気候よりも4Kと8Kの温暖なテスト気候において正確な予測を行う。
また、「気候不変」なアルゴリズムは、ストームスケール対流、放射、およびそれらの相似熱力学環境の間のより局所的および堅牢な関係を学習することを示した。
- 参考スコア(独自算出の注目度): 0.07078141380481605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven algorithms, in particular neural networks, can emulate the
effects of unresolved processes in coarse-resolution climate models when
trained on high-resolution simulation data; however, they often make large
generalization errors when evaluated in conditions they were not trained on.
Here, we propose to physically rescale the inputs and outputs of machine
learning algorithms to help them generalize to unseen climates. Applied to
offline parameterizations of subgrid-scale thermodynamics in three distinct
climate models, we show that rescaled or "climate-invariant" neural networks
make accurate predictions in test climates that are 4K and 8K warmer than their
training climates. Additionally, "climate-invariant" neural nets facilitate
generalization between Aquaplanet and Earth-like simulations. Through
visualization and attribution methods, we show that compared to standard
machine learning models, "climate-invariant" algorithms learn more local and
robust relations between storm-scale convection, radiation, and their synoptic
thermodynamic environment. Overall, these results suggest that explicitly
incorporating physical knowledge into data-driven models of Earth system
processes can improve their consistency and ability to generalize across
climate regimes.
- Abstract(参考訳): データ駆動アルゴリズム、特にニューラルネットワークは、高分解能シミュレーションデータでトレーニングされた場合、粗分解性気候モデルにおける未解決のプロセスの影響をエミュレートすることができるが、訓練されていない条件で評価した場合、大きな一般化誤差を生じることが多い。
本稿では,機械学習アルゴリズムの入力と出力を物理的に再スケールし,未知の気候への一般化を支援することを提案する。
3つの異なる気候モデルにおけるサブグリッドスケール熱力学のオフラインパラメータ化に適用し、再スケールまたは"気候不変"ニューラルネットワークが、トレーニング気候よりも4kおよび8k温暖なテスト気候において正確な予測を行うことを示した。
さらに、「気候不変」ニューラルネットは、水惑星と地球のようなシミュレーションの間の一般化を促進する。
本研究では,標準的な機械学習モデルと比較し,ストームスケール対流・放射・合成熱力学環境の局所的・強固な関係を学習することを示す。
これらの結果は、地球系プロセスのデータ駆動モデルに物理知識を明示的に組み込むことによって、気候環境全体にわたる一貫性と一般化能力が向上することを示唆している。
関連論文リスト
- 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) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - ClimateSet: A Large-Scale Climate Model Dataset for Machine Learning [26.151056828513962]
気候モデルは、気候変動の影響を評価し、将来の気候シナリオをシミュレートするための鍵となっている。
機械学習(ML)コミュニティは、気候モデルエミュレーション、ダウンスケーリング、予測タスクといった様々なタスクにおける気候科学者の取り組みを支援することへの関心が高まっている。
ここでは、入力4MIPとCMIP6アーカイブから36の気候モデルの入力と出力を含むデータセットであるClimateSetを紹介する。
論文 参考訳(メタデータ) (2023-11-07T04:55:36Z) - Multi-fidelity climate model parameterization for better generalization
and extrapolation [0.3860305383611933]
我々は、異なる精度と豊富なデータセットを統合するマルチ忠実なアプローチが、両方の世界の長所を提供することを示す。
気候モデリングへの応用において、マルチ忠実度フレームワークは計算資源の大幅な増加を必要とせず、より正確な気候予測をもたらす。
論文 参考訳(メタデータ) (2023-09-19T01:03:39Z) - Climate Intervention Analysis using AI Model Guided by Statistical
Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。
利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。
我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文 参考訳(メタデータ) (2023-02-07T05:09:10Z) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - 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) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳(メタデータ) (2020-10-08T15:16:16Z)
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。