論文の概要: Downscaling Extreme Rainfall Using Physical-Statistical Generative
Adversarial Learning
- arxiv url: http://arxiv.org/abs/2212.01446v1
- Date: Fri, 2 Dec 2022 21:04:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 19:29:43.582050
- Title: Downscaling Extreme Rainfall Using Physical-Statistical Generative
Adversarial Learning
- Title(参考訳): 物理統計的生成逆学習を用いた極端降雨のダウンスケーリング
- Authors: Anamitra Saha, Sai Ravela
- Abstract要約: 我々は,降雨の詳細な空間的詳細を学習するために,物理と統計を生成フレームワークに組み込んだデータ駆動型ダウンスケーリング(スーパーレゾリューション)手法を開発した。
本手法は, 粗解(0.25円×0.25円)の気候モデルを高分解能(0.01円×0.01円)の降雨場に変換し, 不確実性を効果的に定量化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the risk of extreme weather events in a changing climate is
essential for developing effective adaptation and mitigation strategies.
Although the available low-resolution climate models capture different
scenarios, accurate risk assessment for mitigation and adaption often demands
detail that they typically cannot resolve. Here, we develop a dynamic
data-driven downscaling (super-resolution) method that incorporates physics and
statistics in a generative framework to learn the fine-scale spatial details of
rainfall. Our method transforms coarse-resolution ($0.25^{\circ} \times
0.25^{\circ}$) climate model outputs into high-resolution ($0.01^{\circ} \times
0.01^{\circ}$) rainfall fields while efficaciously quantifying uncertainty.
Results indicate that the downscaled rainfall fields closely match observed
spatial fields and their risk distributions.
- Abstract(参考訳): 気候の変化に伴う極端な気象現象のリスクのモデル化は、効果的な適応と緩和戦略を開発する上で不可欠である。
利用可能な低解像度の気候モデルは異なるシナリオを捉えるが、緩和と適応のための正確なリスク評価は通常解決できない詳細を要求することが多い。
そこで我々は,降雨の詳細な空間的詳細を知るために,物理と統計を生成フレームワークに組み込んだ動的データ駆動型ダウンスケーリング(スーパーレゾリューション)手法を開発した。
本手法は, 粗解(0.25^{\circ} \times 0.25^{\circ}$)の気候モデルを高分解能(0.01^{\circ} \times 0.01^{\circ}$)の降雨場に変換する。
その結果, 降雨量は空間場とそのリスク分布とよく一致していた。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳(メタデータ) (2024-02-06T08:30:47Z) - 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) - 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) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - 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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - 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) - 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) - Hard-Constrained Deep Learning for Climate Downscaling [30.280862393706542]
高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。
予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。
深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
論文 参考訳(メタデータ) (2022-08-08T16:54:01Z) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z)
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。