論文の概要: Residual Diffusion Modeling for Km-scale Atmospheric Downscaling
- arxiv url: http://arxiv.org/abs/2309.15214v3
- Date: Sun, 10 Dec 2023 03:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 01:37:23.205602
- Title: 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: 台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
- 参考スコア(独自算出の注目度): 51.061954281398116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictions of weather hazard require expensive km-scale simulations driven
by coarser global inputs. Here, a cost-effective stochastic downscaling model
is trained from a high-resolution 2-km weather model over Taiwan conditioned on
25-km ERA5 reanalysis. To address the multi-scale machine learning challenges
of weather data, we employ a two-step approach Corrector Diffusion
(\textit{CorrDiff}), where a UNet prediction of the mean is corrected by a
diffusion step. Akin to Reynolds decomposition in fluid dynamics, this isolates
generative learning to the stochastic scales. \textit{CorrDiff} exhibits
skillful RMSE and CRPS and faithfully recovers spectra and distributions even
for extremes. Case studies of coherent weather phenomena reveal appropriate
multivariate relationships reminiscent of learnt physics: the collocation of
intense rainfall and sharp gradients in fronts and extreme winds and rainfall
bands near the eyewall of typhoons. Downscaling global forecasts successfully
retains many of these benefits, foreshadowing the potential of end-to-end,
global-to-km-scales machine learning weather predictions.
- Abstract(参考訳): 気象リスクの予測には、粗いグローバルインプットによって駆動される高価なkmスケールシミュレーションが必要である。
ここでは,25km ERA5再解析に基づく台湾上空2kmの高分解能気象モデルを用いて,コスト効率の高い確率ダウンスケーリングモデルを訓練する。
気象データのマルチスケール機械学習の課題に対処するために、2段階のアプローチ補正拡散(\textit{corrdiff})を採用し、そこで平均のunet予測を拡散ステップで補正する。
レイノルズによる流体力学の分解と同様に、これは生成学習を確率スケールに分離する。
\textit{corrdiff} は熟練したrmseと crps を示し、極端でもスペクトルと分布を忠実に復元する。
コヒーレント気象現象のケーススタディでは、台風の目壁付近で激しい降雨と急勾配のコロケーション、極端な風と降雨帯といった、学習物理学を連想させる適切な多変量関係が示される。
グローバルな予測のスケールダウンは、これらのメリットの多くをうまく維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
関連論文リスト
- Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。
深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。
我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
論文 参考訳(メタデータ) (2024-08-20T15:56:01Z) - 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) - 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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
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) - 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) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳(メタデータ) (2023-01-12T02:07:26Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z)
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。