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
- Generative Adversarial Models for Extreme Downscaling of Climate
Datasets [0.0]
気候データセットを極端に下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方
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。
非常に高いスケーリング要素を持つタスクのスケールダウンにおけるフレームワークのパフォーマンスを実演する。
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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - 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) - 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) - 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) - 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) - 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) - 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)
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。