論文の概要: Hard-Constrained Deep Learning for Climate Downscaling

• arxiv url: http://arxiv.org/abs/2208.05424v9
• Date: Thu, 29 Feb 2024 20:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-04 14:48:46.187193
• Title: Hard-Constrained Deep Learning for Climate Downscaling
• Title（参考訳）: 気候ダウンスケーリングのためのハードコントラスト深層学習
• Authors: Paula Harder, Alex Hernandez-Garcia, Venkatesh Ramesh, Qidong Yang, Prasanna Sattigeri, Daniela Szwarcman, Campbell Watson, David Rolnick
• Abstract要約: 高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。 予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。 深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
• 参考スコア（独自算出の注目度）: 30.280862393706542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The availability of reliable, high-resolution climate and weather data is important to inform long-term decisions on climate adaptation and mitigation and to guide rapid responses to extreme events. Forecasting models are limited by computational costs and, therefore, often generate coarse-resolution predictions. Statistical downscaling, including super-resolution methods from deep learning, can provide an efficient method of upsampling low-resolution data. However, despite achieving visually compelling results in some cases, such models frequently violate conservation laws when predicting physical variables. In order to conserve physical quantities, here we introduce methods that guarantee statistical constraints are satisfied by a deep learning downscaling model, while also improving their performance according to traditional metrics. We compare different constraining approaches and demonstrate their applicability across different neural architectures as well as a variety of climate and weather data sets. Besides enabling faster and more accurate climate predictions through downscaling, we also show that our novel methodologies can improve super-resolution for satellite data and natural images data sets.
• Abstract（参考訳）: 信頼性の高い高解像度の気候データと気象データの提供は、気候適応と緩和に関する長期的な決定を通知し、極端な出来事に対する迅速な対応を導くために重要である。 予測モデルは計算コストによって制限されるため、しばしば粗い解像度予測を生成する。 深層学習からの超解像法を含む統計的ダウンスケーリングは、低解像データを効率的にアップサンプリングする方法を提供する。 しかし、ある場合には視覚的に説得力のある結果が得られたにもかかわらず、そのようなモデルは物理変数を予測するときにしばしば保存則に違反する。 本稿では、物理量を保存するために、ディープラーニングダウンスケーリングモデルによって統計的制約が満たされることを保証するとともに、従来のメトリクスによるパフォーマンスを向上させる手法を提案する。 さまざまな制約アプローチを比較して、さまざまなニューラルネットワークと、さまざまな気候および気象データセットに適用可能性を示します。 ダウンスケーリングによるより高速で正確な気候予測を可能にすることに加え、我々の新しい手法は衛星データや自然画像データセットの超解像を改善することができることを示す。

関連論文リスト

• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  深層学習に基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。 提案手法は,入力の小さな部分集合を実際の物理ドライバとして頑健に識別する。 我々のフレームワークは、データ駆動型気候モデルパラメータ化における大きな課題に対処するための重要なステップである。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Generative Adversarial Models for Extreme Downscaling of Climate Datasets [0.0]
  気候データセットを極端に下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 非常に高いスケーリング要素を持つタスクのスケールダウンにおけるフレームワークのパフォーマンスを実演する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Deep Ensembles to Improve Uncertainty Quantification of Statistical Downscaling Models under Climate Change Conditions [0.0]
  統計的ダウンスケーリングモデルの不確実性定量化を改善するための簡単な方法としてディープアンサンブルを提案する。 ディープアンサンブルはより優れたリスク評価を可能にし、気候変動に対処するためのセクターのアプリケーションによって非常に要求される。
  論文  参考訳（メタデータ） (2023-04-27T19:53:18Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Diffusion Models for High-Resolution Solar Forecasts [0.0]
  スコアベース拡散モデルは、多くの依存変数上の確率分布をモデル化するための新しいアプローチを提供する。 本手法は,超解速気象予測のための拡散モデルから多くの試料を発生させることにより,日頭太陽照度予測に適用する。
  論文  参考訳（メタデータ） (2023-02-01T01:32:25Z)
• 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)
• Downscaling Extreme Rainfall Using Physical-Statistical Generative Adversarial Learning [0.0]
  我々は,降雨の詳細な空間的詳細を学習するために,物理と統計を生成フレームワークに組み込んだデータ駆動型ダウンスケーリング(スーパーレゾリューション)手法を開発した。 本手法は, 粗解(0.25円×0.25円)の気候モデルを高分解能(0.01円×0.01円)の降雨場に変換し, 不確実性を効果的に定量化する。
  論文  参考訳（メタデータ） (2022-12-02T21:04:32Z)

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。