論文の概要: Machine Learning for Stochastic Parametrisation
- arxiv url: http://arxiv.org/abs/2402.09471v1
- Date: Mon, 12 Feb 2024 08:38:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 18:27:02.390841
- Title: Machine Learning for Stochastic Parametrisation
- Title（参考訳）: 確率的パラメトリゼーションのための機械学習
- Authors: Hannah M. Christensen, Salah Kouhen, Greta Miller, Raghul Parthipan
- Abstract要約: パラメトリゼーションにおけるデータ駆動型アプローチの可能性について論じる。
この分野の初期の研究を取り上げ、残る新たな課題に注意を向ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric models used for weather and climate prediction are traditionally
formulated in a deterministic manner. In other words, given a particular state
of the resolved scale variables, the most likely forcing from the sub-grid
scale processes is estimated and used to predict the evolution of the
large-scale flow. However, the lack of scale-separation in the atmosphere means
that this approach is a large source of error in forecasts. Over recent years,
an alternative paradigm has developed: the use of stochastic techniques to
characterise uncertainty in small-scale processes. These techniques are now
widely used across weather, sub-seasonal, seasonal, and climate timescales. In
parallel, recent years have also seen significant progress in replacing
parametrisation schemes using machine learning (ML). This has the potential to
both speed up and improve our numerical models. However, the focus to date has
largely been on deterministic approaches. In this position paper, we bring
together these two key developments, and discuss the potential for data-driven
approaches for stochastic parametrisation. We highlight early studies in this
area, and draw attention to the novel challenges that remain.
- Abstract（参考訳）: 気象や気候予測に用いられる大気モデルは、伝統的に決定論的に定式化されている。
言い換えると、解決されたスケール変数の特定の状態を考えると、サブグリッドスケールプロセスからの強制力は推定され、大規模フローの進化を予測するのに使用される。
しかし、大気中のスケール分離の欠如は、このアプローチが予測エラーの大きな原因であることを意味する。
近年では、小規模プロセスにおける不確実性を特徴付ける確率的手法の使用という別のパラダイムが開発されている。
これらの技術は現在、気候、季節、季節、気候の時間帯で広く使われている。
並行して、近年は機械学習(ML)を用いたパラメトリックスキームの代替にも大きな進歩が見られる。
これは我々の数値モデルにスピードアップと改善をもたらす可能性がある。
しかし、これまでは決定論的アプローチに重点を置いてきた。
本稿では,これら2つの重要な展開をまとめ,確率的パラメトリゼーションにおけるデータ駆動アプローチの可能性について考察する。
我々はこの分野の初期の研究に注目し、残る新たな課題に注意を向ける。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Prithvi WxC: Foundation Model for Weather and Climate [2.9230020115516253]
Prithvi WxCは、Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2)から160変数を用いて開発された23億のパラメータ基盤モデルである。
このモデルは、異なる位相の気象現象を微細な解像度でモデル化するために、大きなトークン数に対応できるように設計されている。
本稿では, 自動回帰ロールアウト予測, ダウンスケーリング, 重力波フラックスパラメータ化, エクストリームイベント推定など, 課題のある下流タスクのセットでモデルを検証する。
論文 参考訳（メタデータ） (2024-09-20T15:53:17Z) - CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。
提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文 参考訳（メタデータ） (2024-05-12T23:18:14Z) - 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) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳（メタデータ） (2023-08-13T09:51:16Z) - Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems
Using Optimal Transport [89.61692654941106]
そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。
我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
論文 参考訳（メタデータ） (2023-03-14T07:25:44Z) - History-Based, Bayesian, Closure for Stochastic Parameterization:
Application to Lorenz '96 [0.09137554315375918]
本研究では,ニューラルネットワークに対するベイズ形式に基づく新しいパラメータ化手法を開発し,不確実な定量化を考慮に入れた。
ベイズ史に基づくパラメータ化をLorenz '96モデルに適用し,ノイズやスパースデータの存在下でのパラメータ化について検討した。
このアプローチは閉包問題に対するベイズ的アプローチの活用の道を開く。
論文 参考訳（メタデータ） (2022-10-26T05:22:50Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。