論文の概要: Deep Learning for bias-correcting comprehensive high-resolution Earth
system models
- arxiv url: http://arxiv.org/abs/2301.01253v1
- Date: Fri, 16 Dec 2022 13:53:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 08:19:25.590954
- Title: Deep Learning for bias-correcting comprehensive high-resolution Earth
system models
- Title(参考訳): バイアス補正型高分解能地球系モデルのための深層学習
- Authors: Philipp Hess, Stefan Lange, Niklas Boers
- Abstract要約: 本研究では,身体制約付き生成逆数ネットワーク(GAN)に基づく後処理手法により,最先端のCMIP6クラスESMのバイアスを補正できることを示す。
本手法は, 金標準偏差調整フレームワークと同様に局所周波数分布を均等に改善するが, 空間パターンの補正において既存の手法よりも優れている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The accurate representation of precipitation in Earth system models (ESMs) is
crucial for reliable projections of the ecological and socioeconomic impacts in
response to anthropogenic global warming. The complex cross-scale interactions
of processes that produce precipitation are challenging to model, however,
inducing potentially strong biases in ESM fields, especially regarding
extremes. State-of-the-art bias correction methods only address errors in the
simulated frequency distributions locally, at every individual grid cell.
Improving unrealistic spatial patterns of the ESM output, which would require
spatial context, has not been possible so far. Here, we show that a
post-processing method based on physically constrained generative adversarial
networks (GANs) can correct biases of a state-of-the-art, CMIP6-class ESM both
in local frequency distributions and in the spatial patterns at once. While our
method improves local frequency distributions equally well as gold-standard
bias-adjustment frameworks it strongly outperforms any existing methods in the
correction of spatial patterns, especially in terms of the characteristic
spatial intermittency of precipitation extremes.
- Abstract(参考訳): 地球系モデル(esms)における降水の正確な表現は、地球温暖化に対する生態学的および社会経済的影響の信頼できる予測に不可欠である。
しかし、降水を生み出す過程の複雑なクロススケール相互作用はモデル化が困難であり、特に極性に関して、ESM分野において潜在的に強いバイアスを引き起こす。
最先端バイアス補正法は、各格子セルにおけるシミュレーション周波数分布の誤差にのみ対処する。
空間コンテキストを必要とするESM出力の非現実的な空間パターンを改善することは、これまで不可能であった。
本稿では,物理制約付き生成逆数ネットワーク(GAN)に基づくポストプロセッシング手法により,局所周波数分布と空間パターンの双方において,最先端のCMIP6クラスESMのバイアスを補正できることを示す。
本手法は局所周波数分布を金標準バイアス調整フレームワークと同等に改善するが,特に降水極の空間断続性特性の観点から,空間パターンの補正において既存の手法よりも優れている。
関連論文リスト
- Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System
Model Fields with Generative Foundation Models [0.0]
ゼロショット方式で再トレーニングすることなく、任意の地球系モデル(ESM)シミュレーションを効率的かつ正確にダウンスケールする一貫性モデル(CM)を開発した。
CMは,ダウンスケーリングタスクにおいて高い制御性を維持しつつ,計算コストのごく一部で最先端拡散モデルより優れていることを示す。
論文 参考訳(メタデータ) (2024-03-05T08:41:41Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - 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) - Normalization Perturbation: A Simple Domain Generalization Method for
Real-World Domain Shifts [133.99270341855728]
実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。
深層モデルはトレーニングドメインスタイルしか知らない。
このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
論文 参考訳(メタデータ) (2022-11-08T17:36:49Z) - Physically Constrained Generative Adversarial Networks for Improving
Precipitation Fields from Earth System Models [0.0]
既存のポストプロセッシング手法はESMシミュレーションを局所的に改善できるが、モデル化された空間パターンの誤りを訂正することはできない。
本研究では,局所分布と空間構造を同時に改善するための,物理的に制約された生成逆ネットワーク(GAN)に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-25T15:19:10Z) - Feature-Distribution Perturbation and Calibration for Generalized Person
ReID [47.84576229286398]
人物再識別(ReID)は、視覚認識のためのディープラーニングの急速な発展とともに、過去10年間で著しく進歩してきた。
本稿では,人物ReIDの一般的な特徴表現を導出する特徴分布摂動一般化法を提案する。
論文 参考訳(メタデータ) (2022-05-23T11:06:12Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳(メタデータ) (2021-06-15T17:45:51Z) - Value propagation-based spatio-temporal interpolation inspired by Markov
reward processes [0.06445605125467573]
本稿では,マルコフ報酬プロセス(MRP)にインスパイアされた伝搬値法を空間的手法として提案する。
その結果,実験条件下でのSD-MRPの平均性能は,他の手法に比べて有意に高かった。
さらに,本手法がベースラインに対して有意な優位性を持っていない場合においても,本手法はベースラインよりもターゲットグリッドの構造を良好に保存することがわかった。
論文 参考訳(メタデータ) (2021-06-01T14:52:54Z) - 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) - PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and
Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。
PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。
また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文 参考訳(メタデータ) (2020-11-17T17:29:18Z)
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。