論文の概要: Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model

• arxiv url: http://arxiv.org/abs/2312.07112v1
• Date: Tue, 12 Dec 2023 09:39:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 16:35:42.695507
• Title: Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model
• Title（参考訳）: 条件拡散モデルを用いた高分解能地域降雨の生成
• Authors: Naufal Shidqi, Chaeyoon Jeong, Sungwon Park, Elke Zeller, Arjun Babu Nellikkattil, Karandeep Singh
• Abstract要約: 本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。 複数のLR気候変数に条件付き拡散確率モデルを用いる。 以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
• 参考スコア（独自算出の注目度）: 7.784934642915291
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Climate downscaling is a crucial technique within climate research, serving to project low-resolution (LR) climate data to higher resolutions (HR). Previous research has demonstrated the effectiveness of deep learning for downscaling tasks. However, most deep learning models for climate downscaling may not perform optimally for high scaling factors (i.e., 4x, 8x) due to their limited ability to capture the intricate details required for generating HR climate data. Furthermore, climate data behaves differently from image data, necessitating a nuanced approach when employing deep generative models. In response to these challenges, this paper presents a deep generative model for downscaling climate data, specifically precipitation on a regional scale. We employ a denoising diffusion probabilistic model (DDPM) conditioned on multiple LR climate variables. The proposed model is evaluated using precipitation data from the Community Earth System Model (CESM) v1.2.2 simulation. Our results demonstrate significant improvements over existing baselines, underscoring the effectiveness of the conditional diffusion model in downscaling climate data.
• Abstract（参考訳）: 気候下降は気候研究において重要な技術であり、低分解能(LR)気候データを高分解能(HR)に投影するのに役立つ。 これまでの研究では、ダウンスケーリングタスクに対するディープラーニングの有効性が実証されている。 しかし、気候下降のためのほとんどのディープラーニングモデルは、HR気候データの生成に必要な複雑な詳細を捉える能力に制限があるため、高いスケーリング要因(すなわち4x、8x)に対して最適に機能しない可能性がある。 さらに、気候データは画像データとは異なった振る舞いをするので、深層生成モデルを用いる場合のニュアンス的アプローチが必要となる。 これらの課題に対応するため,本論文では,気候データ,特に地域規模での降水に関する深層生成モデルを提案する。 複数のLR気候変数に条件付き拡散確率モデル(DDPM)を用いる。 提案モデルは,コミュニティアース・システム・モデル (CESM) v1.2.2 シミュレーションの降水データを用いて評価した。 以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。

関連論文リスト

• Towards Kriging-informed Conditional Diffusion for Regional Sea-Level Data Downscaling [3.8178633709015446]
  地球規模の気候モデルや衛星データから粗解射影を推定すると、下降問題は、より詳細な地域気候データを推定することを目的としている。 この問題は、気候変動による重大なリスクに対する効果的な適応、緩和、レジリエンスに社会的に不可欠である。 そこで本稿では, 空間的変動を抑えつつ, 微細な特徴を保ちながら, 空間的変動を捉えるためのKriging-informed Conditional Diffusion Probabilistic Model (Ki-CDPM)を提案する。
  論文  参考訳（メタデータ） (2024-10-21T04:24:10Z)
• 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)
• 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)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• 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)
• Self Supervised Vision for Climate Downscaling [16.407155686685666]
  将来の気候変動研究の予測は、地球の気候システムをシミュレートするコンピュータモデルであるアース・システム・モデル(Earth System Models, ESMs)に基づいている。 ESMは様々な物理システムを統合するためのフレームワークを提供するが、その出力は高解像度シミュレーションの実行とアーカイブに必要な膨大な計算資源に縛られている。 本研究では,モデル最適化に高分解能基底真理データを必要としないESMシミュレーションデータをダウンスケールするディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-09T10:20:49Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、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、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Evaluating Loss Functions and Learning Data Pre-Processing for Climate Downscaling Deep Learning Models [0.0]
  気候下降の文脈における深層学習モデルに対する損失関数と非線形データ前処理法の効果について検討した。 その結果,L1の損失やL2の損失は,降水データのような不均衡なデータではL1の損失よりも有意に優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-19T19:58:42Z)
• 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)
• Machine learning emulation of a local-scale UK climate model [22.374171443798037]
  我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。 自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
  論文  参考訳（メタデータ） (2022-11-29T11:44:35Z)

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。