Fugu-MT 論文翻訳(概要): Transferring climate change knowledge

論文の概要: Transferring climate change knowledge

arxiv url: http://arxiv.org/abs/2309.14780v2
Date: Wed, 13 Dec 2023 19:36:49 GMT
ステータス: 処理完了
システム内更新日: 2023-12-16 04:06:20.882742
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。
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 the formation of 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. We reach a reduction in the 5-95% uncertainty range of global surface air temperature in 2081-2098 of up to 56% and 52% - across the Shared Socioeconomic Pathways considered - with respect to state-of-the-art approaches and the Sixth Assessment Report from the Intergovernmental Panel on Climate Change, respectively. We give evidence that our novel method provides narrower multi-model uncertainty together with 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形成のような、小規模の物理的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。我々は,2081-2098年における5～95%の地球表面温度の不確実性範囲を,共有社会経済パスにおいて最大56%,52%に削減し,それぞれ,最先端のアプローチと気候変動に関する政府間パネルによる第6回評価報告について検討した。我々は,本手法が気候適応に緊急に必要な,より正確な気象予測とともに,より狭いマルチモデル不確実性を提供することを示す。

関連論文リスト

Resolution-Agnostic Transformer-based Climate Downscaling [0.0]
本研究では,地球ビジョントランス(Earth ViT)モデルを用いたコスト効率の低下手法を提案する。追加のトレーニングなしではうまく機能し、さまざまな解像度で一般化する能力を示している。最終的に、この手法は、主要な気候変数の潜在的な将来の変化をより包括的に見積もることができる。
論文参考訳（メタデータ） (2024-11-22T07:32:11Z)
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Modeling chaotic Lorenz ODE System using Scientific Machine Learning [1.4633779950109127]
本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
論文参考訳（メタデータ） (2024-10-09T01:17:06Z)
Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
論文参考訳（メタデータ） (2024-09-27T08:11:49Z)
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)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Evaluating the transferability potential of deep learning models for climate downscaling [16.30722178785489]
複数の気候データセットを用いた深層学習ダウンスケーリングモデルのトレーニングの有効性を評価し,より堅牢で伝達可能な表現を学習する。ダウンスケーリングモデルの空間的, 変動的, 製品移動可能性について実験的に評価し, これらの異なるアーキテクチャの一般化可能性について考察する。
論文参考訳（メタデータ） (2024-07-17T12:10:24Z)
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)
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)

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。