論文の概要: Deep generative model super-resolves spatially correlated multiregional
climate data
- arxiv url: http://arxiv.org/abs/2209.12433v1
- Date: Mon, 26 Sep 2022 05:45:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:28:59.471900
- Title: Deep generative model super-resolves spatially correlated multiregional
climate data
- Title(参考訳): 深部生成モデルによる空間相関多地域気候データの構築
- Authors: Norihiro Oyama, Noriko N. Ishizaki, Satoshi Koide, and Hiroaki Yoshida
- Abstract要約: 逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。
本手法は,気候変動の影響を地域間一貫した評価に有効である。
- 参考スコア(独自算出の注目度): 5.678539713361703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Super-resolving the coarse outputs of global climate simulations, termed
downscaling, is crucial in making political and social decisions on systems
requiring long-term climate change projections. Existing fast super-resolution
techniques, however, have yet to preserve the spatially correlated nature of
climatological data, which is particularly important when we address systems
with spatial expanse, such as the development of transportation infrastructure.
Herein, we show an adversarial network-based machine learning enables us to
correctly reconstruct the inter-regional spatial correlations in downscaling
with high magnification up to fifty, while maintaining the pixel-wise
statistical consistency. Direct comparison with the measured meteorological
data of temperature and precipitation distributions reveals that integrating
climatologically important physical information is essential for the accurate
downscaling, which prompts us to call our approach $\pi$SRGAN (Physics Informed
Super-Resolution Generative Adversarial Network). The present method has a
potential application to the inter-regionally consistent assessment of the
climate change impact.
- Abstract(参考訳): 地球温暖化の長期予測を必要とするシステムの政治的・社会的決定には、世界気候シミュレーションの粗い結果の超解き方(ダウンスケール)が不可欠である。
しかし, 既存の高速超解像技術は, 交通インフラの整備など, 空間的拡張を伴うシステムに対処する上で特に重要となる, 気象データの空間的相関性を維持していない。
本稿では, 対角的ネットワークに基づく機械学習により, 最大50倍の倍率でダウンスケール中の領域間空間相関を高精度に再構築し, 画素単位の統計的整合性を維持する。
温度と降水分布の気象データと直接比較すると、気候学的に重要な物理情報を統合することが正確なダウンスケーリングに不可欠であることが分かり、我々はアプローチを$\pi$SRGAN(Physics Informed Super-Resolution Generative Adversarial Network)と呼ぶ。
本手法は、気候変動の影響の地域間一貫した評価に潜在的に応用できる。
関連論文リスト
- 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) - 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) - 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) - Generating High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳(メタデータ) (2023-12-12T09:39:52Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Contrastive Learning for Climate Model Bias Correction and
Super-Resolution [0.0]
局地的な気候リスクを正確に見積もるために、後処理が必要である。
本稿では,画像スーパーレゾリューション(SR)とコントラスト学習生成対向ネットワーク(GAN)の組み合わせに基づく,この課題に対する代替手法を提案する。
われわれのモデルでは、NASAの2倍の空間分解能に到達し、日中の降水量と温度の両方において、同等または改善された偏差補正を達成できた。
論文 参考訳(メタデータ) (2022-11-10T19:45:17Z) - 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) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳(メタデータ) (2020-10-20T15:31:38Z) - 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) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z)
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。