論文の概要: DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models
- arxiv url: http://arxiv.org/abs/2304.11699v1
- Date: Sun, 23 Apr 2023 17:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 16:54:09.203544
- Title: DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models
- Title(参考訳): DiffESM:拡散モデルを用いた地球系モデルの条件付きエミュレーション
- Authors: Seth Bassetti, Brian Hutchinson, Claudia Tebaldi, Ben Kravitz
- Abstract要約: 地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
- 参考スコア(独自算出の注目度): 2.1989764549743476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earth System Models (ESMs) are essential tools for understanding the impact
of human actions on Earth's climate. One key application of these models is
studying extreme weather events, such as heat waves or dry spells, which have
significant socioeconomic and environmental consequences. However, the
computational demands of running a sufficient number of simulations to analyze
the risks are often prohibitive. In this paper we demonstrate that diffusion
models -- a class of generative deep learning models -- can effectively emulate
the spatio-temporal trends of ESMs under previously unseen climate scenarios,
while only requiring a small fraction of the computational resources. We
present a diffusion model that is conditioned on monthly averages of
temperature or precipitation on a $96 \times 96$ global grid, and produces
daily values that are both realistic and consistent with those averages. Our
results show that the output from our diffusion model closely matches the
spatio-temporal behavior of the ESM it emulates in terms of the frequency of
phenomena such as heat waves, dry spells, or rainfall intensity.
- Abstract(参考訳): 地球システムモデル(esm)は、地球の気候に対する人間の行動の影響を理解する上で不可欠なツールである。
これらのモデルの重要な応用の一つは、熱波や乾いた呪文のような極端な気象現象を研究することである。
しかし、リスクを分析するのに十分な数のシミュレーションを実行するという計算要求は、しばしば禁止される。
本稿では,これまで認識されていなかった気候条件下でのesmの時空間的傾向を,生成的深層学習モデルのクラスである拡散モデルが効果的にエミュレートできることを実証する。
我々は,月間平均気温または降水量を96セントのグローバルグリッド上で条件付けした拡散モデルを提案し,それらの平均値と現実的かつ一貫性のある1日当たりの値を生成する。
その結果, 拡散モデルからの出力は, 熱波, 乾燥呪文, 降雨強度などの現象の頻度でエミュレートするESMの時空間的挙動とよく一致していることがわかった。
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) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - 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) - 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) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳(メタデータ) (2023-07-14T08:43:36Z) - 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) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳(メタデータ) (2021-04-29T02:10:08Z) - 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)
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。