論文の概要: Reconstructing Historical Climate Fields With Deep Learning

• arxiv url: http://arxiv.org/abs/2311.18348v1
• Date: Thu, 30 Nov 2023 08:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 17:15:38.721969
• Title: Reconstructing Historical Climate Fields With Deep Learning
• Title（参考訳）: 深層学習による歴史的気候の復元
• Authors: Nils Bochow, Anna Poltronieri, Martin Rypdal, Niklas Boers
• Abstract要約: 我々は,最近導入されたFourier畳み込みに基づく深層学習手法を,数値的な気候モデル出力に基づいて訓練し,歴史的気候分野の再構築に利用した。 我々は、大きな、不規則な欠落したデータの領域を現実的に再構築し、強力なエルニーノやラニーナのような既知の歴史的出来事を、ほとんど情報を持って再構築することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historical records of climate fields are often sparse due to missing measurements, especially before the introduction of large-scale satellite missions. Several statistical and model-based methods have been introduced to fill gaps and reconstruct historical records. Here, we employ a recently introduced deep-learning approach based on Fourier convolutions, trained on numerical climate model output, to reconstruct historical climate fields. Using this approach we are able to realistically reconstruct large and irregular areas of missing data, as well as reconstruct known historical events such as strong El Ni\~no and La Ni\~na with very little given information. Our method outperforms the widely used statistical kriging method as well as other recent machine learning approaches. The model generalizes to higher resolutions than the ones it was trained on and can be used on a variety of climate fields. Moreover, it allows inpainting of masks never seen before during the model training.
• Abstract（参考訳）: 気候に関する歴史的記録は、特に大規模衛星計画の導入前に観測が不足していたために、しばしば乏しい。 ギャップを埋め、歴史的記録を再構築する統計的およびモデルに基づく手法がいくつか導入されている。 本稿では,最近導入したフーリエ畳み込みに基づく深層学習手法を用いて,気候モデルによる数値計算を行い,歴史的気候を再構築する。 このアプローチを用いることで、大きな、不規則な欠落したデータの領域を現実的に再構築し、強力なエル・ニーノやラ・ニーナのような既知の歴史的事象を、非常に少ない情報で再現することができる。 本手法は,最近の機械学習手法と同様に,広く用いられている統計kriging法を上回っている。 このモデルは、訓練されたものよりも高解像度に一般化され、様々な気候の分野で使用することができる。 さらに、モデルトレーニング中に見たことのないマスクを塗り替えることもできる。

関連論文リスト

• Adaptive Memory Replay for Continual Learning [29.333341368722653]
  新たなデータが利用可能になれば、ファンデーションモデルの更新は破滅的な忘れに繋がる」 連続学習のための適応型メモリリプレイの枠組みを導入し、過去のデータのサンプリングをマルチアームバンディット問題と表現する。 我々は,学習効率を犠牲にすることなく,最大10%の忘れ込みを低減しつつ,高い性能を維持するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-18T22:01:56Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Interpolation of mountain weather forecasts by machine learning [0.0]
  本稿では,山間部における将来の気象を機械学習で補間する手法を提案する。 本研究は,日本の山岳地域に着目し,主に光GBMを機械学習モデルとして,気温と降水量の予測を行う。
  論文  参考訳（メタデータ） (2023-08-27T01:32:23Z)
• Continual Face Forgery Detection via Historical Distribution Preserving [88.66313037412846]
  CFFD(Continuous Face Forgery Detection)に焦点をあてる。 CFFDは、以前の攻撃を忘れずに、新しい偽造攻撃から効率的に学習することを目指している。 評価実験の結果,提案手法は最先端の競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-11T16:37:31Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• 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)
• SubseasonalClimateUSA: A Dataset for Subseasonal Forecasting and Benchmarking [20.442879707675115]
  SubseasonalClimateUSAは、米国におけるサブシーズン予測モデルのトレーニングとベンチマークのための、キュレートされたデータセットである。 このデータセットを使用して、操作力学モデル、古典的気象ベースライン、最先端の機械学習10、文献からのディープラーニングベースのメソッドなど、さまざまなモデルのスイートをベンチマークします。
  論文  参考訳（メタデータ） (2021-09-21T18:42:10Z)

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。