論文の概要: HAiVA: Hybrid AI-assisted Visual Analysis Framework to Study the Effects
of Cloud Properties on Climate Patterns
- arxiv url: http://arxiv.org/abs/2305.07859v1
- Date: Sat, 13 May 2023 07:55:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:20:01.517928
- Title: HAiVA: Hybrid AI-assisted Visual Analysis Framework to Study the Effects
of Cloud Properties on Climate Patterns
- Title(参考訳): HAiVA: クラウド特性が気候パターンに与える影響を研究するためのハイブリッドAI支援ビジュアル分析フレームワーク
- Authors: Subhashis Hazarika, Haruki Hirasawa, Sookyung Kim, Kalai Ramea, Salva
R. Cachay, Peetak Mitra, Dipti Hingmire, Hansi Singh, Phil J. Rasch
- Abstract要約: マリン・クラウド・ブライトニング(Marine Cloud Brightening、MCB)は、雲の反射率の修正であり、周囲の領域を冷却する。
そこで我々は,このような科学的研究を推進するために,ハイブリッドAI支援視覚分析フレームワークを提案する。
気候科学者のチームと協力して、クラウド-気候応答関数をエミュレートするハイブリッドAIモデルを開発しました。
- 参考スコア(独自算出の注目度): 4.716196892532721
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clouds have a significant impact on the Earth's climate system. They play a
vital role in modulating Earth's radiation budget and driving regional changes
in temperature and precipitation. This makes clouds ideal for climate
intervention techniques like Marine Cloud Brightening (MCB) which refers to
modification in cloud reflectivity, thereby cooling the surrounding region.
However, to avoid unintended effects of MCB, we need a better understanding of
the complex cloud to climate response function. Designing and testing such
interventions scenarios with conventional Earth System Models is
computationally expensive. Therefore, we propose a hybrid AI-assisted visual
analysis framework to drive such scientific studies and facilitate interactive
what-if investigation of different MCB intervention scenarios to assess their
intended and unintended impacts on climate patterns. We work with a team of
climate scientists to develop a suite of hybrid AI models emulating
cloud-climate response function and design a tightly coupled frontend
interactive visual analysis system to perform different MCB intervention
experiments.
- Abstract(参考訳): 雲は地球の気候システムに大きな影響を及ぼす。
これらは地球の放射収支を調整し、温度と降水量の地域的変化を促進する上で重要な役割を担っている。
これにより、雲は、雲の反射率の修正を意味するマリン・クラウド・ブライトニング(MCB)のような気候介入技術に理想的である。
しかし,MCBの意図しない影響を避けるためには,気候応答関数に対する複雑な雲の理解を深める必要がある。
従来のアース・システム・モデルによる介入シナリオの設計とテストは計算コストがかかる。
そこで我々は,このような科学的研究を進めるためのハイブリッドAI支援視覚分析フレームワークを提案し,様々なMCB介入シナリオをインタラクティブに検討し,その意図的かつ意図しない影響が気候パターンに与える影響を評価する。
我々は気候科学者のチームと協力して,クラウドと気候の応答関数を模倣するハイブリッドaiモデル群を開発し,異なるmcb介入実験を行うための,密結合したフロントエンドインタラクティブなビジュアル分析システムを設計する。
関連論文リスト
- Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input
learned from sparse supervision [26.970640961908032]
氷粒子は気候システムにおいて重要な役割を担っているが、気候モデルや将来の気候予測において大きな不確実性の原因となっている。
本研究では,静止衛星観測装置における状態依存型氷物理特性の新たな観測制約と,アクティブ衛星検索の品質について述べる。
論文 参考訳(メタデータ) (2023-10-05T12:24:25Z) - Transferring climate change knowledge [0.16531796732452114]
本研究では,地球モデルシミュレーションと過去の観測から得られた知識を最適に活用し,統合するために機械学習が利用できることを示す。
我々は2081-2098年に5-95%の地球表面温度の不確かさ範囲を56%と52%に減らした。
論文 参考訳(メタデータ) (2023-09-26T09:24:53Z) - Accelerating exploration of Marine Cloud Brightening impacts on tipping
points Using an AI Implementation of Fluctuation-Dissipation Theorem [6.824166358727082]
海洋雲の明るくすること (MCB) は、温室効果ガスの温暖化を部分的に相殺するための気候介入技術である。
AiBEDOという名前のAIモデルについて説明する。
論文 参考訳(メタデータ) (2023-02-03T19:08:38Z) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳(メタデータ) (2020-10-20T15:31:38Z) - HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。
コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。
私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
論文 参考訳(メタデータ) (2020-10-08T15:16:16Z)
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。