論文の概要: Characterizing climate pathways using feature importance on echo state networks

• arxiv url: http://arxiv.org/abs/2310.08495v1
• Date: Thu, 12 Oct 2023 16:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 08:46:05.142809
• Title: Characterizing climate pathways using feature importance on echo state networks
• Title（参考訳）: エコー状態ネットワークにおける特徴的重要度を用いた気候経路のキャラクタリゼーション
• Authors: Katherine Goode, Daniel Ries, Kellie McClernon
• Abstract要約: エコー状態ネットワーク(ESN)は、時間的データのために設計された計算効率の良いニューラルネットワークのバリエーションである。 ESNは非解釈可能なブラックボックスモデルであり、変数関係を理解する上でハードルとなる。 我々は,特徴重要度の評価と比較を行うシミュレーション研究を行い,再分析気候データに対するアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The 2022 National Defense Strategy of the United States listed climate change as a serious threat to national security. Climate intervention methods, such as stratospheric aerosol injection, have been proposed as mitigation strategies, but the downstream effects of such actions on a complex climate system are not well understood. The development of algorithmic techniques for quantifying relationships between source and impact variables related to a climate event (i.e., a climate pathway) would help inform policy decisions. Data-driven deep learning models have become powerful tools for modeling highly nonlinear relationships and may provide a route to characterize climate variable relationships. In this paper, we explore the use of an echo state network (ESN) for characterizing climate pathways. ESNs are a computationally efficient neural network variation designed for temporal data, and recent work proposes ESNs as a useful tool for forecasting spatio-temporal climate data. Like other neural networks, ESNs are non-interpretable black-box models, which poses a hurdle for understanding variable relationships. We address this issue by developing feature importance methods for ESNs in the context of spatio-temporal data to quantify variable relationships captured by the model. We conduct a simulation study to assess and compare the feature importance techniques, and we demonstrate the approach on reanalysis climate data. In the climate application, we select a time period that includes the 1991 volcanic eruption of Mount Pinatubo. This event was a significant stratospheric aerosol injection, which we use as a proxy for an artificial stratospheric aerosol injection. Using the proposed approach, we are able to characterize relationships between pathway variables associated with this event.
• Abstract（参考訳）: 2022年、アメリカ合衆国の国防戦略は気候変動を国家安全保障に対する深刻な脅威として挙げた。 成層圏エアロゾル注入のような気候介入手法は緩和戦略として提案されているが、複雑な気候システムに対するそのような作用の下流効果はよく分かっていない。 気候変動に関連する要因と影響変数の関係を定量化するアルゴリズム技術(すなわち、気候経路)の開発は、政策決定の伝達に役立つ。 データ駆動型ディープラーニングモデルは、高度に非線形な関係をモデル化するための強力なツールとなり、気候変動関係を特徴づける手段を提供する可能性がある。 本稿では,気候経路を特徴付けるためのエコー状態ネットワーク(esn)の利用について検討する。 ESNは時間的データのために設計された計算効率の良いニューラルネットワークのバリエーションであり、最近の研究は時空間気候データの予測に有用なツールとしてESNを提案する。 他のニューラルネットワークと同様に、ESNは非解釈可能なブラックボックスモデルであり、変数関係を理解する上でハードルとなる。 本研究では,時空間データを用いてモデルが捉えた変動関係を定量化するために,ESNの特徴重み付け手法を開発することでこの問題に対処する。 我々は,特徴重要度の評価と比較を行うシミュレーション研究を行い,再分析気候データに対するアプローチを実証する。 1991年のピナツボ山の火山噴火を含む期間を選択する。 このイベントは, 人工成層圏エアロゾル注入のプロキシとして使用した, 有意な成層圏エアロゾル注入であった。 提案手法を用いて,この事象に関連する経路変数間の関係を特徴付けることができる。

関連論文リスト

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Random Forest Regression Feature Importance for Climate Impact Pathway Detection [0.0]
  気候源のRF時流下流衝撃の連鎖を発見し, ランク付けするための新しい手法を開発した。 より複雑な2つのベンチマークを実行することで生成されたデータのアンサンブルに本手法を適用した。 RFRの重要度に基づくアプローチは、両方のテストケースで既知の影響経路を正確に検出できる。
  論文  参考訳（メタデータ） (2024-09-25T04:18:53Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• 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)
• Deep generative model super-resolves spatially correlated multiregional climate data [5.678539713361703]
  逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。 提案手法は,気候変動の影響を地域間一貫した評価に有効である。 本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
  論文  参考訳（メタデータ） (2022-09-26T05:45:16Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• 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。