論文の概要: Multi-variable Hard Physical Constraints for Climate Model Downscaling
- arxiv url: http://arxiv.org/abs/2308.01868v1
- Date: Wed, 2 Aug 2023 11:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 13:19:02.669909
- Title: Multi-variable Hard Physical Constraints for Climate Model Downscaling
- Title(参考訳): 気候モデルダウンスケーリングのための多変数ハード物理制約
- Authors: Jose Gonz\'alez-Abad, \'Alex Hern\'andez-Garc\'ia, Paula Harder, David
Rolnick, Jos\'e Manuel Guti\'errez
- Abstract要約: 地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。
彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。
本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
- 参考スコア(独自算出の注目度): 17.402215838651557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global Climate Models (GCMs) are the primary tool to simulate climate
evolution and assess the impacts of climate change. However, they often operate
at a coarse spatial resolution that limits their accuracy in reproducing
local-scale phenomena. Statistical downscaling methods leveraging deep learning
offer a solution to this problem by approximating local-scale climate fields
from coarse variables, thus enabling regional GCM projections. Typically,
climate fields of different variables of interest are downscaled independently,
resulting in violations of fundamental physical properties across
interconnected variables. This study investigates the scope of this problem
and, through an application on temperature, lays the foundation for a framework
introducing multi-variable hard constraints that guarantees physical
relationships between groups of downscaled climate variables.
- Abstract(参考訳): 地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。
しかし、しばしば局所的な現象を再現する精度を制限した粗い空間分解能で動作する。
ディープラーニングを活用した統計的ダウンスケーリング手法は、局所的な気候を粗い変数から近似することで、この問題に対する解決策を提供する。
一般的に、異なる変数の気候場は独立してスケールダウンされ、相互接続された変数間の基本的な物理的性質に違反する。
本研究は, この問題の範囲について検討し, 温度適用を通じて, 大規模気候変数群間の物理的関係を保証する多変量制約を導入する枠組みの基礎を定めている。
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) - Transferability and explainability of deep learning emulators for
regional climate model projections: Perspectives for future applications [0.4821250031784094]
地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。
ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。
本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。
いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
論文 参考訳(メタデータ) (2023-11-01T00:44:39Z) - Reducing Uncertainty in Sea-level Rise Prediction: A
Spatial-variability-aware Approach [4.32583920500711]
本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。
実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
論文 参考訳(メタデータ) (2023-10-19T02:13:38Z) - 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) - 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) - Climate-Invariant Machine Learning [0.8831201550856289]
現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。
最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。
我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-14T07:02:57Z) - Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。
これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。
本稿では,本稿で開発したツールと方法論について紹介する。
論文 参考訳(メタデータ) (2020-11-03T21:22:42Z) - 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) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z)
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。