Fugu-MT 論文翻訳(概要): TemperatureGAN: Generative Modeling of Regional Atmospheric Temperatures

論文の概要: TemperatureGAN: Generative Modeling of Regional Atmospheric Temperatures

arxiv url: http://arxiv.org/abs/2306.17248v3
Date: Sat, 19 Oct 2024 18:14:20 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:14:20.175092
Title: TemperatureGAN: Generative Modeling of Regional Atmospheric Temperatures
Title（参考訳）: 温室効果ガス: 地域大気温度の生成モデル
Authors: Emmanuel Balogun, Ram Rajagopal, Arun Majumdar,
Abstract要約: 発電機は様々な分野の気候影響を推定するのに役立ちます様々な分野の気候リスクを予測するには、正確で(統計的に地道に類似している)、信頼性があり(誤った例を作らない)、効率的であるジェネレータが必要である。本研究では, 月, 場所, 時間に条件を定め, 1時間分解能で地上の気温2m以上を発生させるCreateGANを紹介した。
参考スコア（独自算出の注目度）: 1.5554651050867165
License:
Abstract: Stochastic generators are useful for estimating climate impacts on various sectors. Projecting climate risk in various sectors, e.g. energy systems, requires generators that are accurate (statistical resemblance to ground-truth), reliable (do not produce erroneous examples), and efficient. Leveraging data from the North American Land Data Assimilation System, we introduce TemperatureGAN, a Generative Adversarial Network conditioned on months, locations, and time periods, to generate 2m above ground atmospheric temperatures at an hourly resolution. We propose evaluation methods and metrics to measure the quality of generated samples. We show that TemperatureGAN produces high-fidelity examples with good spatial representation and temporal dynamics consistent with known diurnal cycles.
Abstract（参考訳）: 確率的発電機は、様々な分野の気候への影響を推定するのに有用である。様々な分野、例えばエネルギーシステムにおいて気候リスクを予測するには、正確で(統計的に地道に類似している)、信頼性があり(誤った例を作らない)、効率的であるジェネレータが必要である。北米の土地データ同化システムからのデータを活用することで、月、場所、時間に条件付き生成的敵ネットワークであるCreateGANを導入し、1時間分解で地上の気温2m以上を発生させる。生成したサンプルの品質を測定するための評価手法と指標を提案する。本研究では,温度GANが日周期に整合した空間的表現と時間的ダイナミクスの優れた高忠実度例を生成することを示す。

関連論文リスト

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)
Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models [0.724847561444869]
生成確率拡散モデルを用いて地球系モデル(ESM)をエミュレートする以前の研究を拡張した。以上の結果から, 乾燥した呪文や熱いストリークなど, 各種気候指標におけるESMの出力とよく似た結果が得られた。
論文参考訳（メタデータ） (2024-04-12T20:13:19Z)
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)
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)
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)
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)
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)
Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for localized surface temperature forecasting in an urban environment [29.94873599943544]
本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
論文参考訳（メタデータ） (2021-02-04T21:21:21Z)
Clustering high dimensional meteorological scenarios: results and performance index [2.4186361602373823]
本稿では,RTEによる気候シミュレーションにおいて,可能な気候シナリオをグループ化し,選択する問題について議論する。使用されるデータは、フランスの地理的な場所のグリッド上に200の異なるシナリオの温度時系列からなる。まず,クラスタ化に使用される距離の選択が,結果の意味に強い影響を与えていることを示す。
論文参考訳（メタデータ） (2020-12-14T13:06:41Z)
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。