論文の概要: Climate Trends of Tropical Cyclone Intensity and Energy Extremes
Revealed by Deep Learning
- arxiv url: http://arxiv.org/abs/2402.00362v1
- Date: Thu, 1 Feb 2024 06:02:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 16:10:57.399224
- Title: Climate Trends of Tropical Cyclone Intensity and Energy Extremes
Revealed by Deep Learning
- Title（参考訳）: 深層学習による熱帯サイクロン強度とエネルギー極端の気候動向
- Authors: Buo-Fu Chen, Boyo Chen, Chun-Min Hsiao, Hsu-Feng Teng, Cheng-Shang
Lee, Hung-Chi Kuo
- Abstract要約: 深層学習を用いて過去の「観測」を再構築する
主要サイクロンの割合は過去40年間で13%増加した。
非常に高エネルギーのTCの割合は25%増加した。
- 参考スコア（独自算出の注目度）: 4.772176643340364
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Anthropogenic influences have been linked to tropical cyclone (TC) poleward
migration, TC extreme precipitation, and an increased proportion of major
hurricanes [1, 2, 3, 4]. Understanding past TC trends and variability is
critical for projecting future TC impacts on human society considering the
changing climate [5]. However, past trends of TC structure/energy remain
uncertain due to limited observations; subjective-analyzed and
spatiotemporal-heterogeneous "best-track" datasets lead to reduced confidence
in the assessed TC repose to climate change [6, 7]. Here, we use deep learning
to reconstruct past "observations" and yield an objective global TC wind
profile dataset during 1981 to 2020, facilitating a comprehensive examination
of TC structure/energy. By training with uniquely labeled data integrating best
tracks and numerical model analysis of 2004 to 2018 TCs, our model converts
multichannel satellite imagery to a 0-750-km wind profile of axisymmetric
surface winds. The model performance is verified to be sufficient for climate
studies by comparing it to independent satellite-radar surface winds. Based on
the new homogenized dataset, the major TC proportion has increased by ~13% in
the past four decades. Moreover, the proportion of extremely high-energy TCs
has increased by ~25%, along with an increasing trend (> one standard deviation
of the 40-y variability) of the mean total energy of high-energy TCs. Although
the warming ocean favors TC intensification, the TC track migration to higher
latitudes and altered environments further affect TC structure/energy. This new
deep learning method/dataset reveals novel trends regarding TC structure
extremes and may help verify simulations/studies regarding TCs in the changing
climate.
- Abstract（参考訳）: 人為的影響は熱帯性サイクロン(TC)極性移動,TC極性降水,および主要ハリケーン[1, 2, 3, 4]の増加と関連している。
過去TCの動向と変動性を理解することは、気候の変化を考慮した将来のTCが人間社会に与える影響を予測する上で重要である[5]。
しかし, 過去のTC構造・エネルギーの傾向は, 観測が限られているため不確実であり, 主観的分析と時空間ヘテロジニアスな「ベストトラック」データセットは, 評価されたTCの気候変動への信頼度を低下させる[6, 7]。
そこで我々は,過去の「観測」を再構築し,1981年から2020年にかけて,客観的なTC風速分布データセットを作成した。
2004年から2018年のTCのベストトラック統合と数値モデル解析を併用したトレーニングにより,マルチチャネル衛星画像から軸対称表面風の0-750km風速分布に変換する。
モデル性能は, 独立衛星レーダ面風との比較により, 気候研究に十分であることを確認した。
新しい均質化データセットに基づいて、過去40年で主要なTCの割合が約13%増加した。
さらに、超高エネルギーTCの比率は、高エネルギーTCの平均総エネルギーの上昇傾向(>40-y変数の標準偏差)とともに約25%増加した。
温暖な海洋はTCの強化を好んでいるが、TCトラックは高緯度への移動と環境の変化がTCの構造・エネルギーにさらに影響を及ぼす。
この新しい深層学習手法/データセットは,tc構造極端に関する新たなトレンドを明らかにし,気候変動におけるtcsに関するシミュレーション/スタディの検証に役立つ。
関連論文リスト
- El Nino Southern Oscillation and Atlantic Multidecadal Oscillation Impact on Hurricanes North Atlantic Basin [0.0]
1950年から2023年までの観測サイクロントラックデータ、Oceanic Nino Index(ONI)、NOAAs Extended Reconstructed SST V5(ERSST)を用いてみた。
以上の結果から,過去10年間でSSTの増加はTCが強く,AMO期間はTC頻度の上昇に対応していることがわかった。
地すべりTCの頻度はLa Nina または ENSO-neutral に比例し,El Nino は地すべりTCの頻度を減少させる。
論文 参考訳（メタデータ） (2024-10-05T21:54:27Z) - Global Tropical Cyclone Intensity Forecasting with Multi-modal
Multi-scale Causal Autoregressive Model [22.715152977444742]
グローバル熱帯サイクロン強度自動回帰予測のためのマルチモーダル・マルチスケール因果自己回帰モデル(MSCAR)を提案する。
MSCARは、大域的なTC強度自己回帰予測のための因果関係と大規模マルチ時間データを組み合わせる。
本稿では,SETCD(Saturate and ERA5-based Tropical Cyclone dataset)について述べる。
論文 参考訳（メタデータ） (2024-02-16T15:26:33Z) - 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) - 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) - An Ensemble Machine Learning Approach for Tropical Cyclone Detection
Using ERA5 Reanalysis Data [0.0]
熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。
伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。
本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
論文 参考訳（メタデータ） (2023-06-07T22:26:50Z) - A Deep Learning Method for Real-time Bias Correction of Wind Field
Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。
風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文 参考訳（メタデータ） (2022-12-29T02:58:12Z) - Forecasting formation of a Tropical Cyclone Using Reanalysis Data [3.564430502665177]
最大60時間,高精度で熱帯性サイクロンの形成を予測できる深層学習モデルが提案されている。
60時間リードタイムでは、6つの海盆で86.9%から92.9%の範囲で精度を達成している。
このモデルは、海盆によって約5～15分かかり、使用するデータの量は数秒で予測できる。
論文 参考訳（メタデータ） (2022-12-10T13:20:48Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - 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) - 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) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。