論文の概要: Deep generative model super-resolves spatially correlated multiregional
climate data
- arxiv url: http://arxiv.org/abs/2209.12433v2
- Date: Sat, 15 Apr 2023 13:14:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 00:04:12.443365
- 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。
提案手法は,気候変動の影響を地域間一貫した評価に有効である。
本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
- 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 of up to fifty while maintaining pixel-wise statistical
consistency. Direct comparison with the measured meteorological data of
temperature and precipitation distributions reveals that integrating
climatologically important physical information improves the downscaling
performance, which prompts us to call this approach $\pi$SRGAN (Physics
Informed Super-Resolution Generative Adversarial Network). The proposed method
has a potential application to the inter-regionally consistent assessment of
the climate change impact. Additionally, we present the outcomes of another
variant of the deep generative model-based downscaling approach in which the
low-resolution precipitation field is substituted with the pressure field,
referred to as $\psi$SRGAN (Precipitation Source Inaccessible SRGAN).
Remarkably, this method demonstrates unexpectedly good downscaling performance
for the precipitation field.
- 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, ダウンスケーリングにおける領域間空間相関を最大50倍の高倍率で正確に再構築できることを示す。
気温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でダウンスケーリング性能が向上し、このアプローチを$\pi$SRGAN(Physics Informed Super-Resolution Generative Adversarial Network)と呼ぶことができる。
提案手法は,気候変動の影響を地域間一貫した評価に応用できる可能性がある。
さらに, 低分解能の降水場を圧力場に置き換える深層生成モデルに基づくダウンスケーリング手法である$\psi$srgan (precipitation source inaccessible srgan) の別の変種について述べる。
この手法は降水場において予期せぬ優れたダウンスケーリング性能を示す。
関連論文リスト
- Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。
この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。
そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
論文 参考訳（メタデータ） (2024-10-21T04:24:10Z) - 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) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - 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) - Cluster-Segregate-Perturb (CSP): A Model-agnostic Explainability Pipeline for Spatiotemporal Land Surface Forecasting Models [5.586191108738564]
本稿では、LIMEのような摂動に基づく説明可能性手法とPDPのようなグローバルな限界説明可能性の両方から原理を統合するパイプラインを提案する。
提案したパイプラインは,複雑な陸面予測モデルにおける限界感度解析,限界相関解析,ラグ解析などの多様な調査分析の実施を単純化する。
論文 参考訳（メタデータ） (2024-08-12T04:29:54Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。
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。
1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
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) - 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) - 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) - 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。