論文の概要: Transferability and explainability of deep learning emulators for
regional climate model projections: Perspectives for future applications
- arxiv url: http://arxiv.org/abs/2311.03378v1
- Date: Wed, 1 Nov 2023 00:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-12 19:32:45.886420
- Title: Transferability and explainability of deep learning emulators for
regional climate model projections: Perspectives for future applications
- Title(参考訳): 地域気候モデル予測のための深層学習エミュレータの伝達可能性と説明可能性:将来への展望
- Authors: Jorge Bano-Medina and Maialen Iturbide and Jesus Fernandez and Jose
Manuel Gutierrez
- Abstract要約: 地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。
ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。
本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。
いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
- 参考スコア(独自算出の注目度): 0.4821250031784094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Regional climate models (RCMs) are essential tools for simulating and
studying regional climate variability and change. However, their high
computational cost limits the production of comprehensive ensembles of regional
climate projections covering multiple scenarios and driving Global Climate
Models (GCMs) across regions. RCM emulators based on deep learning models have
recently been introduced as a cost-effective and promising alternative that
requires only short RCM simulations to train the models. Therefore, evaluating
their transferability to different periods, scenarios, and GCMs becomes a
pivotal and complex task in which the inherent biases of both GCMs and RCMs
play a significant role. Here we focus on this problem by considering the two
different emulation approaches proposed in the literature (PP and MOS,
following the terminology introduced in this paper). In addition to standard
evaluation techniques, we expand the analysis with methods from the field of
eXplainable Artificial Intelligence (XAI), to assess the physical consistency
of the empirical links learnt by the models. We find that both approaches are
able to emulate certain climatological properties of RCMs for different periods
and scenarios (soft transferability), but the consistency of the emulation
functions differ between approaches. Whereas PP learns robust and physically
meaningful patterns, MOS results are GCM-dependent and lack physical
consistency in some cases. Both approaches face problems when transferring the
emulation function to other GCMs, due to the existence of GCM-dependent biases
(hard transferability). This limits their applicability to build ensembles of
regional climate projections. We conclude by giving some prospects for future
applications.
- Abstract(参考訳): 地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし研究するための重要なツールである。
しかし、その高い計算コストは、複数のシナリオをカバーする地域気候予測の包括的なアンサンブルの生成を制限し、地域全体にわたってグローバル気候モデル(GCM)を駆動する。
ディープラーニングモデルに基づくRCMエミュレータは、最近、モデルをトレーニングするために短いRCMシミュレーションしか必要としないコスト効率と有望な代替手段として導入されている。
したがって、異なる期間、シナリオ、およびGCMへの転送可能性を評価することは、GCMとRCMの両方固有のバイアスが重要な役割を果たす重要な複雑なタスクとなる。
本稿では,本論文で紹介する2つの異なるエミュレーション手法(PPとMOS,以下,本論文で紹介する用語に従う)を考察することにより,この問題に着目する。
標準評価手法に加えて,eXplainable Artificial Intelligence (XAI) の分野からの手法を用いて解析を拡張し,モデルが学習した経験的リンクの物理的一貫性を評価する。
いずれの手法もrcmの気候特性を異なる期間とシナリオ(ソフトトランスファー可能性)でエミュレートすることができるが,エミュレーション関数の一貫性はアプローチによって異なる。
PPは堅牢で物理的に意味のあるパターンを学ぶが、MOSの結果はGCMに依存しており、場合によっては物理的に一貫性がない。
どちらのアプローチも、GCM依存バイアス(ハード転送可能性)が存在するため、エミュレーション関数を他のGCMに転送する際の問題に直面する。
これは地域の気候予測のアンサンブルを構築する可能性を制限する。
最後に、将来の応用への展望について述べる。
関連論文リスト
- Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System
Model Fields with Generative Foundation Models [0.0]
ゼロショット方式で再トレーニングすることなく、任意の地球系モデル(ESM)シミュレーションを効率的かつ正確にダウンスケールする一貫性モデル(CM)を開発した。
CMは,ダウンスケーリングタスクにおいて高い制御性を維持しつつ,計算コストのごく一部で最先端拡散モデルより優れていることを示す。
論文 参考訳(メタデータ) (2024-03-05T08:41:41Z) - Towards Causal Representations of Climate Model Data [18.82507552857727]
この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。
以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
論文 参考訳(メタデータ) (2023-12-05T16:13:34Z) - Endogenous Macrodynamics in Algorithmic Recourse [52.87956177581998]
対実説明(CE)とアルゴリズム・リコース(AR)に関する既存の研究は、静的環境における個人に主に焦点を当ててきた。
既存の方法論の多くは、一般化されたフレームワークによってまとめて記述できることを示す。
次に、既存のフレームワークは、グループレベルでの言論の内在的ダイナミクスを研究する際にのみ明らかとなるような、隠された対外的関係のコストを考慮に入れていないと論じる。
論文 参考訳(メタデータ) (2023-08-16T07:36:58Z) - Multi-variable Hard Physical Constraints for Climate Model Downscaling [17.402215838651557]
地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。
彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。
本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
論文 参考訳(メタデータ) (2023-08-02T11:42:02Z) - 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) - 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) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Modeling of Pan Evaporation Based on the Development of Machine Learning
Methods [0.0]
気温、風速、日照時間、湿度、太陽放射などの気候変化は蒸発過程に大きな影響を及ぼす可能性がある。
本研究の目的は、毎月のパン蒸発推定をモデル化するための機械学習(ML)モデルの有効性を検討することである。
論文 参考訳(メタデータ) (2021-10-10T10:06:16Z) - 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) - 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。