論文の概要: Physically Constrained Generative Adversarial Networks for Improving Precipitation Fields from Earth System Models

• arxiv url: http://arxiv.org/abs/2209.07568v1
• Date: Thu, 25 Aug 2022 15:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:57:05.444660
• Title: Physically Constrained Generative Adversarial Networks for Improving Precipitation Fields from Earth System Models
• Title（参考訳）: 地球系モデルからの降水場改善のための物理的制約付き生成逆数ネットワーク
• Authors: Philipp Hess, Markus Dr\"uke, Stefan Petri, Felix M. Strnad, and Niklas Boers
• Abstract要約: 既存のポストプロセッシング手法はESMシミュレーションを局所的に改善できるが、モデル化された空間パターンの誤りを訂正することはできない。 本研究では,局所分布と空間構造を同時に改善するための,物理的に制約された生成逆ネットワーク(GAN)に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Precipitation results from complex processes across many scales, making its accurate simulation in Earth system models (ESMs) challenging. Existing post-processing methods can improve ESM simulations locally, but cannot correct errors in modelled spatial patterns. Here we propose a framework based on physically constrained generative adversarial networks (GANs) to improve local distributions and spatial structure simultaneously. We apply our approach to the computationally efficient ESM CM2Mc-LPJmL. Our method outperforms existing ones in correcting local distributions, and leads to strongly improved spatial patterns especially regarding the intermittency of daily precipitation. Notably, a double-peaked Intertropical Convergence Zone, a common problem in ESMs, is removed. Enforcing a physical constraint to preserve global precipitation sums, the GAN can generalize to future climate scenarios unseen during training. Feature attribution shows that the GAN identifies regions where the ESM exhibits strong biases. Our method constitutes a general framework for correcting ESM variables and enables realistic simulations at a fraction of the computational costs.
• Abstract（参考訳）: 降水は様々なスケールにわたる複雑なプロセスによるものであり、地球系モデル(ESM)の正確なシミュレーションは困難である。 既存のポストプロセッシング手法はESMシミュレーションを局所的に改善するが、モデル化された空間パターンの誤りを修正することはできない。 本稿では,局所分布と空間構造を同時に改善するための,物理的制約付き生成逆ネットワーク(gans)に基づく枠組みを提案する。 本稿では,計算効率の良いEMM CM2Mc-LPJmLを提案する。 本手法は局地分布の補正において既存の手法よりも優れており,特に日降水量の断続性に関して空間パターンが強く改善されている。 特に、ESMの共通問題である二重ピークの熱帯収束ゾーンが除去される。 地球規模の降水量を維持するための物理的な制約を課すと、GANは訓練中に見つからない将来の気候シナリオに一般化することができる。 特徴として、GANはESMが強いバイアスを示す領域を特定する。 本手法はESM変数の修正のための一般的なフレームワークを構成し,計算コストのごく一部で現実的なシミュレーションを可能にする。

関連論文リスト

• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Foundation Models [0.0]
  ゼロショット方式で再トレーニングすることなく、任意の地球系モデル(ESM)シミュレーションを効率的かつ正確にダウンスケールする一貫性モデル(CM)を開発した。 CMは,ダウンスケーリングタスクにおいて高い制御性を維持しつつ,計算コストのごく一部で最先端拡散モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T08:41:41Z)
• Spatial Attention-based Distribution Integration Network for Human Pose Estimation [0.8052382324386398]
  本研究では,空間アテンションに基づく分布統合ネットワーク(SADI-NET)を提案する。 我々のネットワークは、受容強化モジュール(RFM)、空間融合モジュール(SFM)、分散学習モジュール(DLM)の3つの効率的なモデルで構成されている。 我々のモデルは、MPIIテストデータセットで920.10%の精度を得、既存のモデルよりも大幅に改善され、最先端のパフォーマンスが確立された。
  論文  参考訳（メタデータ） (2023-11-09T12:43:01Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Deep learning for bias-correcting CMIP6-class Earth system models [0.0]
  本稿では,cGANsに基づくポストプロセッシング手法により,最先端のCMIP6クラスESMのバイアスを補正できることを示す。 本手法は, 金標準偏差調整フレームワークと同様に局所周波数分布を均等に改善するが, 空間パターンの補正において既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-16T13:53:57Z)
• 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)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• 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)

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。