Fugu-MT 論文翻訳(概要): On the use of Deep Generative Models for Perfect Prognosis Climate Downscaling

論文の概要: On the use of Deep Generative Models for Perfect Prognosis Climate Downscaling

arxiv url: http://arxiv.org/abs/2305.00974v1
Date: Thu, 27 Apr 2023 18:35:18 GMT
ステータス: 処理完了
システム内更新日: 2023-05-07 16:02:23.627678
Title: On the use of Deep Generative Models for Perfect Prognosis Climate Downscaling
Title（参考訳）: 気候下降防止のための深部生成モデルの利用について
Authors: Jose Gonz\'alez-Abad, Jorge Ba\~no-Medina, Ignacio Heredia Cach\'a
Abstract要約: ディープラーニングは、大規模な粗大な大気データから高分解能場を計算するための完璧な予測ダウンスケーリング技術として登場した。本研究では,高分解能場の空間整合性向上のための生成モデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep Learning has recently emerged as a perfect prognosis downscaling technique to compute high-resolution fields from large-scale coarse atmospheric data. Despite their promising results to reproduce the observed local variability, they are based on the estimation of independent distributions at each location, which leads to deficient spatial structures, especially when downscaling precipitation. This study proposes the use of generative models to improve the spatial consistency of the high-resolution fields, very demanded by some sectoral applications (e.g., hydrology) to tackle climate change.
Abstract（参考訳）: Deep Learningは最近、大規模な粗大な大気データから高分解能フィールドを計算するための完璧な予後ダウンスケーリング技術として登場した。観測された局所変動を再現する有望な結果にもかかわらず、各地点における独立分布の推定に基づいており、特に降水のダウンスケール時に空間構造が不足する。本研究では,高分解能フィールドの空間的整合性を改善するために生成モデルを用いることを提案する。

関連論文リスト

Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
論文参考訳（メタデータ） (2024-10-21T04:24:10Z)
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)
Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
論文参考訳（メタデータ） (2024-02-21T18:25:04Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文参考訳（メタデータ） (2023-12-14T13:40:39Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
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)
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)
A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文参考訳（メタデータ） (2022-04-05T07:19:42Z)
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)

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。