論文の概要: Embedding machine-learnt sub-grid variability improves climate model biases
- arxiv url: http://arxiv.org/abs/2406.09551v1
- Date: Thu, 13 Jun 2024 19:35:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 17:24:36.171624
- Title: Embedding machine-learnt sub-grid variability improves climate model biases
- Title（参考訳）: エンベディングマシンリアントサブグリッドの変動は気候モデルバイアスを改善する
- Authors: Daniel Giles, James Briant, Cyril J. Morcrette, Serge Guillas,
- Abstract要約: 雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。
高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。
制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
- 参考スコア（独自算出の注目度）: 0.44998333629984877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The under-representation of cloud formation is a long-standing bias associated with climate simulations. Parameterisation schemes are required to capture cloud processes within current climate models but have known biases. We overcome these biases by embedding a Multi-Output Gaussian Process (MOGP) trained on high resolution Unified Model simulations to represent the variability of temperature and specific humidity within a climate model. A trained MOGP model is coupled in-situ with a simplified Atmospheric General Circulation Model named SPEEDY. The temperature and specific humidity profiles of SPEEDY are perturbed at fixed intervals according to the variability predicted from the MOGP. Ten-year predictions are generated for both control and ML-hybrid models. The hybrid model reduces the global precipitation bias by 18\% and over the tropics by 22\%. To further understand the drivers of these improvements, physical quantities of interest are explored, such as the distribution of lifted index values and the alteration of the Hadley cell. The control and hybrid set-ups are also run in a plus 4K sea-surface temperature experiment to explore the effects of the approach on patterns relating to cloud cover and precipitation in a warmed climate setting.
- Abstract（参考訳）: 雲の形成の控えめな表現は、気候シミュレーションに関連する長年の偏見である。
パラメータ化スキームは、現在の気候モデル内で雲のプロセスをキャプチャするために必要だが、既知のバイアスがある。
高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで、気候モデル内の温度と特定の湿度の変動を表現し、これらのバイアスを克服する。
訓練されたMOGPモデルは、SPEEDYと呼ばれる簡易な大気総合循環モデルとその場で結合される。
温度および比湿度分布はMOGPから予測される変動度に応じて一定間隔で変動する。
制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
ハイブリッドモデルは、グローバル降水バイアスを18%減らし、熱帯を22%減らした。
これらの改良の要因をさらに理解するため、昇降インデックス値の分布やハドリーセルの変更など、興味の物理量について検討した。
コントロールとハイブリッドのセットアップは、温暖な気候下での雲の覆いと降水に関するパターンに対するアプローチの影響を調べるために、プラス4Kの海面温度実験でも実行される。
関連論文リスト
- Exploring the Potential of Hybrid Machine-Learning/Physics-Based Modeling for Atmospheric/Oceanic Prediction Beyond the Medium Range [0.0]
本稿では、機械学習(ML)と従来の物理モデルを組み合わせたハイブリッドモデリング手法の可能性について検討する。
このモデルは、低分解能で簡易なパラメータ化大気一般循環モデル(AGCM)SPEEDYに基づいている。
このモデルはエルニーノの周期と、季節によって3～7ヶ月の降水量による地球規模のテレコネクションを予測する能力を持っている。
論文 参考訳（メタデータ） (2024-05-29T20:56:44Z) - Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models [0.724847561444869]
生成確率拡散モデルを用いて地球系モデル(ESM)をエミュレートする以前の研究を拡張した。
以上の結果から, 乾燥した呪文や熱いストリークなど, 各種気候指標におけるESMの出力とよく似た結果が得られた。
論文 参考訳（メタデータ） (2024-04-12T20:13:19Z) - 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) - 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) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳（メタデータ） (2023-04-23T17:12:33Z) - 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-learned climate model corrections from a global storm-resolving
model [0.0]
我々は,200kmの気候モデルから3kmの微細グリッド・ストーム・リゾルディング・モデル(GSRM)を進化させるために必要な,状態依存温度,湿度,放射フラックス補正の学習のためにニューラルネットワークを訓練する。
これらの補正MLモデルが1年間の粗乾燥気候シミュレーションに結合されると、時間平均空間パターン誤差は陸面温度で6-25%、地表面降水で9-25%減少する。
論文 参考訳（メタデータ） (2022-11-21T19:39:05Z) - 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) - Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文 参考訳（メタデータ） (2022-04-12T13:30:01Z) - 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。