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
- Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。
このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
論文 参考訳(メタデータ) (2024-10-02T17:31:01Z) - 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) - Empowering Snapshot Compressive Imaging: Spatial-Spectral State Space Model with Across-Scanning and Local Enhancement [51.557804095896174]
AsLE-SSMという,グローバルな局所的バランスの取れたコンテキストエンコーディングとチャネル間相互作用の促進に空間スペクトルSSMを用いる状態空間モデルを導入する。
実験の結果,ASLE-SSMは既存の最先端手法よりも優れており,推定速度はTransformerベースのMSTより2.4倍速く,パラメータの0.12(M)を節約できることがわかった。
論文 参考訳(メタデータ) (2024-08-01T15:14:10Z) - 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) - 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。