論文の概要: A Multi-Scale Deep Learning Framework for Projecting Weather Extremes

• arxiv url: http://arxiv.org/abs/2210.12137v1
• Date: Fri, 21 Oct 2022 17:47:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:12:32.415056
• Title: A Multi-Scale Deep Learning Framework for Projecting Weather Extremes
• Title（参考訳）: 気象極端を投影するマルチスケール深層学習フレームワーク
• Authors: Antoine Blanchard, Nishant Parashar, Boyko Dodov, Christian Lessig, Themistoklis Sapsis
• Abstract要約: 気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。 現在、気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。 本稿では,GCMの偏差を粗いスケールで観測することで,その出力の低次統計値とテール統計値とを一致させて補正する多分解能深層学習フレームワークを提案する。 提案手法を用いて、観測的大気再分析を用いて補正された単純なGCMを用いて、西欧の気候の統計的に現実的な現実化を生成する。
• 参考スコア（独自算出の注目度）: 3.3598755777055374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather extremes are a major societal and economic hazard, claiming thousands of lives and causing billions of dollars in damage every year. Under climate change, their impact and intensity are expected to worsen significantly. Unfortunately, general circulation models (GCMs), which are currently the primary tool for climate projections, cannot characterize weather extremes accurately. To address this, we present a multi-resolution deep-learning framework that, firstly, corrects a GCM's biases by matching low-order and tail statistics of its output with observations at coarse scales; and secondly, increases the level of detail of the debiased GCM output by reconstructing the finer scales as a function of the coarse scales. We use the proposed framework to generate statistically realistic realizations of the climate over Western Europe from a simple GCM corrected using observational atmospheric reanalysis. We also discuss implications for probabilistic risk assessment of natural disasters in a changing climate.
• Abstract（参考訳）: 気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。 気候変動下では、その影響と強度は著しく悪化すると予想されている。 残念ながら、現在の気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。 これを解決するために,まず,粗いスケールでの観測で出力の低次統計値とテール統計値とを一致させてGCMのバイアスを補正し,さらに,粗いスケールの関数として細かなスケールを再構成することにより,劣化したGCM出力の詳細なレベルを向上する多分解ディープラーニングフレームワークを提案する。 観測的大気再分析により補正した単純なgcmから西ヨーロッパ全域の気候の統計的に現実的な実現を実現するために,提案手法を用いた。 また,気候変動における自然災害の確率的リスクアセスメントの意義についても考察する。

関連論文リスト

• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Neural General Circulation Models for Weather and Climate [7.545206238427117]
  一般的な循環モデル(GCM)は、気象と気候予測の基礎である。 本稿では,大気力学の微分可能解法とML成分を組み合わせた最初のGCMを提案する。 決定論的気象,アンサンブル気象,気候の予測を,機械学習や物理に基づく最良の手法と同等に生成できることを示す。
  論文  参考訳（メタデータ） (2023-11-13T10:40:17Z)
• CMIP X-MOS: Improving Climate Models with Extreme Model Output Statistics [40.517778024431244]
  自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。 この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。 これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-24T13:18:53Z)
• Reducing Uncertainty in Sea-level Rise Prediction: A Spatial-variability-aware Approach [4.32583920500711]
  本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。 実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
  論文  参考訳（メタデータ） (2023-10-19T02:13:38Z)
• Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
  台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。 textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。 グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• 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。