論文の概要: Machine-learning prediction of tipping with applications to the Atlantic Meridional Overturning Circulation
- arxiv url: http://arxiv.org/abs/2402.14877v2
- Date: Thu, 17 Oct 2024 16:22:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:15:37.107872
- Title: Machine-learning prediction of tipping with applications to the Atlantic Meridional Overturning Circulation
- Title(参考訳): アトランティック・メリディショナル・オーバーターン循環への適用によるチップの機械学習予測
- Authors: Shirin Panahi, Ling-Wei Kong, Mohammadamin Moradi, Zheng-Meng Zhai, Bryan Glaz, Mulugeta Haile, Ying-Cheng Lai,
- Abstract要約: 非線形力学系における将来的なチップの予測のための汎用的なデータ駆動型機械学習手法を開発した。
応用として、Atlantic Meridional Overturning Circulation (AMOC)の潜在的な崩壊を予測する問題に対処する。
我々の予測では、2040年から2065年の間、現在の文献の結果と一致して、潜在的に崩壊する窓を設置しています。
- 参考スコア(独自算出の注目度): 0.22436328017044366
- License:
- Abstract: Anticipating a tipping point, a transition from one stable steady state to another, is a problem of broad relevance due to the ubiquity of the phenomenon in diverse fields. The steady-state nature of the dynamics about a tipping point makes its prediction significantly more challenging than predicting other types of critical transitions from oscillatory or chaotic dynamics. Exploiting the benefits of noise, we develop a general data-driven and machine-learning approach to predicting potential future tipping in nonautonomous dynamical systems and validate the framework using examples from different fields. As an application, we address the problem of predicting the potential collapse of the Atlantic Meridional Overturning Circulation (AMOC), possibly driven by climate-induced changes in the freshwater input to the North Atlantic. Our predictions based on synthetic and currently available empirical data place a potential collapse window spanning from 2040 to 2065, in consistency with the results in the current literature.
- Abstract(参考訳): ある安定な状態から別の状態への遷移である転換点を予想することは、様々な分野における現象の普遍性に起因する広い関係性の問題である。
先端点に関する力学の定常的な性質は、振動やカオス力学から他のタイプの臨界遷移を予測するよりも、その予測をはるかに困難にしている。
ノイズの利点をエクスプロイトし、不規則な力学系における潜在的な将来のチップを予測する汎用的なデータ駆動型機械学習手法を開発し、異なる分野の例を用いてフレームワークを検証する。
適用例として,北大西洋への淡水流入の気候変化によって引き起こされた大西洋商業転覆循環 (AMOC) の崩壊の可能性を予測する問題に対処する。
人工的および現在利用可能な経験的データに基づく我々の予測は、現在の文献の結果と一致して、2040年から2065年までの潜在的な崩壊窓を配置する。
関連論文リスト
- Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。
我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。
しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2024-04-26T18:18:25Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳(メタデータ) (2024-04-08T09:13:16Z) - The Importance of Architecture Choice in Deep Learning for Climate
Applications [0.5439020425819]
我々は,ヨーロッパや米国東海岸の気候において重要な気候であるアトランティック・メリディショナル・オーバーターン循環(AMOC)をモデル化する。
任意の時間スケールで任意に極端な気候シナリオを生成し、ニューラルネットワークを使って予測します。
定量化の不確実性により、AMOCの崩壊の臨界点前にある「スパイク」の興味深いパターンは、今世紀中にAMOCの崩壊を予測した以前の分析に疑問を投げかけている。
論文 参考訳(メタデータ) (2024-02-21T18:09:04Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic
Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。
提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文 参考訳(メタデータ) (2023-08-08T18:18:31Z) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface
Temperature Anomalies [2.8411302762015844]
我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。
このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。
また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
論文 参考訳(メタデータ) (2022-02-21T03:11:27Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Predicting Atlantic Multidecadal Variability [7.664716161640758]
大西洋の多面的変動は、典型的な周期が60年から70年の間である北大西洋の海面温度の変動を記述している。
この研究は、北大西洋地域の海面温度、塩分濃度、海面圧力のマップから、AMV予測の状態を改善するために、複数の機械学習モデルをテストする。
論文 参考訳(メタデータ) (2021-10-29T23:56:24Z) - 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。