論文の概要: Generative Residual Diffusion Modeling for Km-scale Atmospheric
Downscaling
- arxiv url: http://arxiv.org/abs/2309.15214v2
- Date: Thu, 28 Sep 2023 18:05:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 17:06:01.952218
- Title: Generative Residual Diffusion Modeling for Km-scale Atmospheric
Downscaling
- Title(参考訳): Kmスケール大気下降の残留拡散モデル
- Authors: Morteza Mardani, Noah Brenowitz, Yair Cohen, Jaideep Pathak, Chieh-Yu
Chen, Cheng-Chin Liu, Arash Vahdat, Karthik Kashinath, Jan Kautz, and Mike
Pritchard
- Abstract要約: 気象や気候からの物理的危険予知のための技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率の良い代替手段として、kmスケールダウンスケール拡散モデルを示す。
このモデルは台湾上空の高解像度気象モデルから訓練され、ERA5の再解析データに基づいて調整されている。
- 参考スコア(独自算出の注目度): 51.061954281398116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The state of the art for physical hazard prediction from weather and climate
requires expensive km-scale numerical simulations driven by coarser resolution
global inputs. Here, a km-scale downscaling diffusion model is presented as a
cost effective alternative. The model is trained from a regional
high-resolution weather model over Taiwan, and conditioned on ERA5 reanalysis
data. To address the downscaling uncertainties, large resolution ratios (25km
to 2km), different physics involved at different scales and predict channels
that are not in the input data, we employ a two-step approach
(\textit{ResDiff}) where a (UNet) regression predicts the mean in the first
step and a diffusion model predicts the residual in the second step.
\textit{ResDiff} exhibits encouraging skill in bulk RMSE and CRPS scores. The
predicted spectra and distributions from ResDiff faithfully recover important
power law relationships regulating damaging wind and rain extremes. Case
studies of coherent weather phenomena reveal appropriate multivariate
relationships reminiscent of learnt physics. This includes the sharp wind and
temperature variations that co-locate with intense rainfall in a cold front,
and the extreme winds and rainfall bands that surround the eyewall of typhoons.
Some evidence of simultaneous bias correction is found. A first attempt at
downscaling directly from an operational global forecast model successfully
retains many of these benefits. The implication is that a new era of fully
end-to-end, global-to-regional machine learning weather prediction is likely
near at hand.
- Abstract(参考訳): 気象や気候から物理的ハザードを予測する技術は、より粗い解像度のグローバル入力によって駆動される高価なkmスケールの数値シミュレーションを必要とする。
ここでは、コスト効率の良い代替手段として、kmスケールダウンスケール拡散モデルを示す。
このモデルは台湾上空の高解像度気象モデルから訓練され、ERA5の再解析データに基づく。
ダウンスケールの不確実性、大解像度比(25km〜2km)、異なるスケールでの異なる物理量、入力データにないチャネルを予測するために、2段階のアプローチ(\textit{resdiff})を採用し、(不均一な)回帰が第1ステップの平均を予測し、拡散モデルが第2ステップの残差を予測する。
\textit{ResDiff} は RMSE と CRPS のスコアで励まされるスキルを示す。
ResDiffの予測スペクトルと分布は、風と雨の極端を規制する重要な電力法関係を忠実に回復する。
コヒーレント気象現象のケーススタディは、学習物理学を連想させる適切な多変量関係を示す。
これには、寒冷な前線で激しい降雨と共存する鋭い風と温度の変動、台風の眼壁を囲む極端な風と降雨帯が含まれる。
同時バイアス補正の証拠がいくつか発見されている。
運用上のグローバル予測モデルから直接ダウンスケールする最初の試みは、これらのメリットの多くを成功裏に維持する。
その意味するところは、完全にエンドツーエンドでグローバルな機械学習の天気予報の新しい時代が間近に迫っているということだ。
関連論文リスト
- Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。
我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。
しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2024-04-26T18:18:25Z) - DiffObs: Generative Diffusion for Global Forecasting of Satellite Observations [4.653770685661304]
本研究は, 自然降雨のグローバルな進化を予測するための自己回帰的生成拡散モデル(DiffObs)を提案する。
モデルは, 日頭降雨の確率論的予測のために訓練されているが, 複数ヶ月のロールアウトには安定であり, 熱帯における対流結合波動モードの定性的に現実的な重ね合わせが明らかである。
論文 参考訳(メタデータ) (2024-04-04T05:24:22Z) - Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。
この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
論文 参考訳(メタデータ) (2024-04-01T13:56:12Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Efficient Subseasonal Weather Forecast using Teleconnection-informed
Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。
機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。
しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文 参考訳(メタデータ) (2024-01-31T14:27:35Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-01-23T13:34:01Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z)
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。