論文の概要: Deep Ensembles to Improve Uncertainty Quantification of Statistical
Downscaling Models under Climate Change Conditions
- arxiv url: http://arxiv.org/abs/2305.00975v1
- Date: Thu, 27 Apr 2023 19:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 16:02:36.664730
- Title: Deep Ensembles to Improve Uncertainty Quantification of Statistical
Downscaling Models under Climate Change Conditions
- Title(参考訳): 気候変動下における統計的ダウンスケールモデルの不確実性定量化のための深層アンサンブル
- Authors: Jose Gonz\'alez-Abad, Jorge Ba\~no-Medina
- Abstract要約: 統計的ダウンスケーリングモデルの不確実性定量化を改善するための簡単な方法としてディープアンサンブルを提案する。
ディープアンサンブルはより優れたリスク評価を可能にし、気候変動に対処するためのセクターのアプリケーションによって非常に要求される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, deep learning has emerged as a promising tool for statistical
downscaling, the set of methods for generating high-resolution climate fields
from coarse low-resolution variables. Nevertheless, their ability to generalize
to climate change conditions remains questionable, mainly due to the
stationarity assumption. We propose deep ensembles as a simple method to
improve the uncertainty quantification of statistical downscaling models. By
better capturing uncertainty, statistical downscaling models allow for superior
planning against extreme weather events, a source of various negative social
and economic impacts. Since no observational future data exists, we rely on a
pseudo reality experiment to assess the suitability of deep ensembles for
quantifying the uncertainty of climate change projections. Deep ensembles allow
for a better risk assessment, highly demanded by sectoral applications to
tackle climate change.
- Abstract(参考訳): 近年,大まかな低分解能変数から高分解能の気候場を生成する手法である統計的ダウンスケールの有望なツールとしてディープラーニングが登場している。
それにもかかわらず、気候変動条件への一般化能力は、主に定常性の仮定のために疑問視されている。
統計的ダウンスケールモデルの不確実性定量化を改善するための簡易な手法として,深層アンサンブルを提案する。
不確実性をよりよく把握することで、統計的ダウンスケーリングモデルにより、様々な社会的・経済的影響の源泉である極端な気象イベントに対する優れた計画を立てることができる。
将来観測データは存在しないため,気候変動予測の不確かさを定量化するための深層アンサンブルの適合性を評価するために疑似現実実験を行う。
ディープアンサンブルはより優れたリスク評価を可能にし、気候変動に取り組むためのセクターアプリケーションによって要求される。
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) - 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) - 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) - CMIP X-MOS: Improving Climate Models with Extreme Model Output
Statistics [40.517778024431244]
自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。
この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。
これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
論文 参考訳(メタデータ) (2023-10-24T13:18:53Z) - Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing
Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。
全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文 参考訳(メタデータ) (2023-05-26T04:27:48Z) - Downscaling Extreme Rainfall Using Physical-Statistical Generative
Adversarial Learning [0.0]
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。
論文 参考訳(メタデータ) (2022-12-02T21:04:32Z) - 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) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-01-08T11:56:12Z)
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。
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。