Fugu-MT 論文翻訳(概要): A locally time-invariant metric for climate model ensemble predictions of extreme risk

論文の概要: A locally time-invariant metric for climate model ensemble predictions of extreme risk

arxiv url: http://arxiv.org/abs/2211.16367v3
Date: Tue, 18 Apr 2023 16:48:12 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 18:15:44.337423
Title: A locally time-invariant metric for climate model ensemble predictions of extreme risk
Title（参考訳）: 極度リスクの気候モデルアンサンブル予測のための局所時間不変計量
Authors: Mala Virdee, Markus Kaiser, Emily Shuckburgh, Carl Henrik Ek, Ieva Kazlauskaite
Abstract要約: 本研究では,極度のシミュレーションを評価することを目的とした,気候モデルシミュレーションを評価するための局所的時間不変手法を提案する。ナイロビの極端な暑さの予測における提案手法の挙動を考察し,8つの都市で比較検討を行った。
参考スコア（独自算出の注目度）: 8.347190888362194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adaptation-relevant predictions of climate change are often derived by combining climate model simulations in a multi-model ensemble. Model evaluation methods used in performance-based ensemble weighting schemes have limitations in the context of high-impact extreme events. We introduce a locally time-invariant method for evaluating climate model simulations with a focus on assessing the simulation of extremes. We explore the behaviour of the proposed method in predicting extreme heat days in Nairobi and provide comparative results for eight additional cities.
Abstract（参考訳）: 気候変動の適応関連予測は、多モデルアンサンブルにおける気候モデルシミュレーションを組み合わせることでしばしば導かれる。性能に基づくアンサンブル重み付け方式で用いられるモデル評価手法は、高インパクト極端事象の文脈において制限がある。本稿では,気候モデルシミュレーションを評価するための局所時間不変な手法を提案する。ナイロビの極端な暑さの予測における提案手法の挙動を考察し,8都市で比較検討を行った。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
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)
Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
論文参考訳（メタデータ） (2024-09-10T06:16:03Z)
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)
Quantifying uncertainty in climate projections with conformal ensembles [0.0]
コンフォーマルアンサンブル(Conformal ensembling)は、予測の不確実性を低減するためのコンフォーマル推論に基づく、気候予測の不確実性定量化の新しいアプローチである。これは、任意のアンサンブル解析法を用いて、任意の気候変数に適用することができる。実験により, 過去の分析データに将来の予測を条件付ける場合, 有効であることが示唆された。
論文参考訳（メタデータ） (2024-08-13T05:23:55Z)
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。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)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
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)
Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文参考訳（メタデータ） (2022-04-12T13:30:01Z)
Modeling of Pan Evaporation Based on the Development of Machine Learning Methods [0.0]
気温、風速、日照時間、湿度、太陽放射などの気候変化は蒸発過程に大きな影響を及ぼす可能性がある。本研究の目的は、毎月のパン蒸発推定をモデル化するための機械学習(ML)モデルの有効性を検討することである。
論文参考訳（メタデータ） (2021-10-10T10:06:16Z)

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。