論文の概要: AODisaggregation: toward global aerosol vertical profiles
- arxiv url: http://arxiv.org/abs/2205.04296v1
- Date: Fri, 6 May 2022 16:36:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-15 14:56:21.519278
- Title: AODisaggregation: toward global aerosol vertical profiles
- Title(参考訳): AODisaggregation:グローバルエアロゾル垂直プロファイルに向けて
- Authors: Shahine Bouabid, Duncan Watson-Parris, Sofija Stefanovi\'c, Athanasios
Nenes, Dino Sejdinovic
- Abstract要約: エアロゾルとクラウドの相互作用は、人為的気候変動の評価において最大の不確実性の源となっている。
我々は、気象予測器を用いて、AODを絶滅プロファイルに垂直に分解するための枠組みを開発する。
以上の結果から,本モデルは極めて単純ながら,精度のよい不確実性によって,現実的な絶滅プロファイルを再構築できることが示唆された。
- 参考スコア(独自算出の注目度): 8.007578464827002
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aerosol-cloud interactions constitute the largest source of uncertainty in
assessments of the anthropogenic climate change. This uncertainty arises in
part from the difficulty in measuring the vertical distributions of aerosols,
and only sporadic vertically resolved observations are available. We often have
to settle for less informative vertically aggregated proxies such as aerosol
optical depth (AOD). In this work, we develop a framework for the vertical
disaggregation of AOD into extinction profiles, i.e. the measure of light
extinction throughout an atmospheric column, using readily available vertically
resolved meteorological predictors such as temperature, pressure or relative
humidity. Using Bayesian nonparametric modelling, we devise a simple Gaussian
process prior over aerosol vertical profiles and update it with AOD
observations to infer a distribution over vertical extinction profiles. To
validate our approach, we use ECHAM-HAM aerosol-climate model data which offers
self-consistent simulations of meteorological covariates, AOD and extinction
profiles. Our results show that, while very simple, our model is able to
reconstruct realistic extinction profiles with well-calibrated uncertainty,
outperforming by an order of magnitude the idealized baseline which is
typically used in satellite AOD retrieval algorithms. In particular, the model
demonstrates a faithful reconstruction of extinction patterns arising from
aerosol water uptake in the boundary layer. Observations however suggest that
other extinction patterns, due to aerosol mass concentration, particle size and
radiative properties, might be more challenging to capture and require
additional vertically resolved predictors.
- Abstract(参考訳): エアロゾルとクラウドの相互作用は、人為的気候変動の評価において最大の不確実性の源となっている。
この不確実性は、エアロゾルの垂直分布の測定が困難であることから生じ、散発的な垂直分解観測のみが可能である。
エアロゾル光深度 (AOD) のような, 情報の少ない垂直集約型プロキシを念頭に置く必要があることが多い。
本研究では,気温,気圧,相対湿度などの鉛直分解型気象予報器を用いて,aodの鉛直分解を,大気列全体における光消滅の指標として,絶滅プロファイルに分類する枠組みを開発した。
ベイズ非パラメトリックモデリングを用いて, エアロゾルの鉛直分布に先立って, 単純なガウス過程を考案し, aod観測で更新し, 鉛直絶滅プロファイル上の分布を推定する。
提案手法の検証には,気象共変量,AOD,絶滅プロファイルの自己整合性シミュレーションを行うECHAM-HAMエアロゾル気候モデルを用いている。
我々のモデルは,非常に単純ながら,衛星AOD検索アルゴリズムで典型的に使用される理想化されたベースラインの桁違いに優れた精度で,精度の高い不確かさで現実的な絶滅プロファイルを再構築することができることを示す。
特に, このモデルでは, 境界層におけるエアロゾル吸水による絶滅パターンの忠実な再構築が示されている。
しかし, エアロゾルの質量濃度, 粒子径, 放射特性などによる他の絶滅パターンは, 捕獲が難しく, さらに垂直分解された予測因子が必要であることが示唆された。
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) - DiffCast: A Unified Framework via Residual Diffusion for Precipitation
Nowcasting [21.54722493957853]
降水流速計は、現在の観測結果に基づいてレーダエコー列を予測する重要なタスクであり、気象科学と都市への応用の両方に役立てることができる。
従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。
我々は、大域的決定論的な動きと残留メカニズムによる局所的な変動の観点から、カオス的な進化的降水系を分解し、モデル化する。
論文 参考訳(メタデータ) (2023-12-11T11:26:32Z) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - 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) - Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models [2.2215308271891403]
我々は、恒星間放射場(ISRF)強度を4.5,24,250の3バンドダストエミッションに基づいて予測するために、深層学習技術を採用している。
我々のモデルは、複雑で制約の厳しいISRF環境においても、放射線のフィードバック分布を強く予測する。
論文 参考訳(メタデータ) (2023-09-11T20:28:43Z) - Reconstructing Graph Diffusion History from a Single Snapshot [91.9168290827762]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳(メタデータ) (2023-06-01T09:39:32Z) - Towards Learned Emulation of Interannual Water Isotopologue Variations
in General Circulation Models [2.161227459325287]
本研究では, 降水時の酸素同位体組成の明示的な物理に基づくシミュレーションを, 機械学習を用いて置き換える可能性を検討する。
我々は、UNetアーキテクチャの成功に基づいて畳み込みニューラルネットワーク(CNN)を実装し、球面ネットワークアーキテクチャが地球の緯度-経度格子を平坦な画像として扱うという単純なアプローチよりも優れているかどうかをテストする。
論文 参考訳(メタデータ) (2023-01-31T07:54:52Z) - 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) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳(メタデータ) (2022-08-24T03:13:04Z) - Reduced-order modeling for parameterized large-eddy simulations of
atmospheric pollutant dispersion [0.0]
大渦シミュレーション(LES)は、汚染物質濃度の空間的変動を正確に表現する可能性がある。
LESは、様々な大気および源のパラメータで気流とトレーサの分散がどのように変化するかを理解するために、展開するのに不当にコストがかかる。
本稿では, 適切な分解(POD)とガウス過程回帰(GPR)を組み合わせた非侵入的還元次数モデルを提案し, トレーサー濃度に関連する利害関係のLES場統計を予測した。
論文 参考訳(メタデータ) (2022-08-02T15:06:22Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。