論文の概要: Transferring climate change knowledge
- arxiv url: http://arxiv.org/abs/2309.14780v1
- Date: Tue, 26 Sep 2023 09:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 14:25:54.337528
- Title: Transferring climate change knowledge
- Title(参考訳): 気候変動に関する知識の移転
- Authors: Francesco Immorlano, Veronika Eyring, Thomas le Monnier de Gouville,
Gabriele Accarino, Donatello Elia, Giovanni Aloisio and Pierre Gentine
- Abstract要約: 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。
我々の新しい手法は、気候適応に緊急に必要なより正確な気候予測を提供する。
- 参考スコア(独自算出の注目度): 0.16531796732452114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate climate projections are required for climate adaptation and
mitigation. Earth system model simulations, used to project climate change,
inherently make approximations in their representation of small-scale physical
processes, such as clouds, that are at the root of the uncertainties in global
mean temperature's response to increased greenhouse gas concentrations. Several
approaches have been developed to use historical observations to constrain
future projections and reduce uncertainties in climate projections and climate
feedbacks. Yet those methods cannot capture the non-linear complexity inherent
in the climate system. Using a Transfer Learning approach, we show that Machine
Learning, in particular Deep Neural Networks, can be used to optimally leverage
and merge the knowledge gained from Earth system model simulations and
historical observations to more accurately project global surface temperature
fields in the 21st century. For the Shared Socioeconomic Pathways (SSPs) 2-4.5,
3-7.0 and 5-8.5, we refine regional estimates and the global projection of the
average global temperature in 2081-2098 (with respect to the period 1850-1900)
to 2.73{\deg}C (2.44-3.11{\deg}C), 3.92{\deg}C (3.5-4.47{\deg}C) and
4.53{\deg}C (3.69-5.5{\deg}C), respectively, compared to the unconstrained
2.7{\deg}C (1.65-3.8{\deg}C), 3.71{\deg}C (2.56-4.97{\deg}C) and 4.47{\deg}C
(2.95-6.02{\deg}C). Our findings show that the 1.5{\deg}C threshold of the
Paris' agreement will be crossed in 2031 (2028-2034) for SSP2-4.5, in 2029
(2027-2031) for SSP3-7.0 and in 2028 (2025-2031) for SSP5-8.5. Similarly, the
2{\deg}C threshold will be exceeded in 2051 (2045-2059), 2044 (2040-2047) and
2042 (2038-2047) respectively. Our new method provides more accurate climate
projections urgently required for climate adaptation.
- Abstract(参考訳): 正確な気候予測は、気候適応と緩和のために必要である。
気候変動の予測に用いられる地球系モデルシミュレーションは、温室効果ガス濃度の増加に対する地球平均温度の応答の不確かさの根底にある雲のような小さな物理過程の表現を本質的に近似する。
将来の予測を制約し、気候予測や気候フィードバックの不確実性を減らすために、歴史的観測を用いたいくつかのアプローチが開発されている。
しかし、これらの手法は気候システムに固有の非線形複雑性を捉えることができない。
トランスファーラーニング(Transfer Learning)アプローチを用いて,21世紀の地球モデルシミュレーションと歴史的観測から得られた知識を最適に活用し,マージし,地球表面温度場をより正確に予測できることを,機械学習,特にディープニューラルネットワークを用いて示す。
共有社会経済経路(ssps)2-4.5,3-7.0,5-8.5について,2081-2098年の平均気温(1850-1900年)から2.73{\deg}c(2.44-3.11{\deg}c),3.92{\deg}c(3.5-4.47{\deg}c),4.53{\deg}c(3.69-5.5{\deg}c),2.7{\deg}c(1.65-3.8{\deg}c),3.71{\deg}c(2.56-4.97{\deg}c),4.47{\deg}c(2.95-952{\deg}c)の地域推定と世界平均気温の予測を精錬した。
SSP2-4.5は2031年(2028-2034年)、SSP3-7.0は2029年(2027-2031年)、SSP5-8.5は2028年(2025-2031年)である。
同様に、2{\deg}C閾値はそれぞれ2051 (2045-2059)、2044 (2040-2047)、2042 (2038-2047) を超える。
我々の新しい手法は、気候適応に緊急に必要なより正確な気候予測を提供する。
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) - Zero-shot Microclimate Prediction with Deep Learning [5.335262943835543]
そこで本研究では,新しい場所とモニタリングされていない場所での様々な気候測定を予測するためのゼロショット学習手法を提案する。
本手法は,他の地理的な場所から抽出した知識を活用することで,微気候変数の予測における従来の天気予報手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-05T06:46:56Z) - Climate Intervention Analysis using AI Model Guided by Statistical
Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。
利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。
我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文 参考訳(メタデータ) (2023-02-07T05:09:10Z) - 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) - 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) - 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) - 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。