論文の概要: Can AI be enabled to dynamical downscaling? Training a Latent Diffusion Model to mimic km-scale COSMO-CLM downscaling of ERA5 over Italy

• arxiv url: http://arxiv.org/abs/2406.13627v1
• Date: Wed, 19 Jun 2024 15:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 19:14:23.514384
• Title: Can AI be enabled to dynamical downscaling? Training a Latent Diffusion Model to mimic km-scale COSMO-CLM downscaling of ERA5 over Italy
• Title（参考訳）: AIは動的ダウンスケーリングを可能にするか? イタリア上空でのERA5のCOSMO-CLMダウンスケーリングを模倣する潜在拡散モデルを訓練する
• Authors: Elena Tomasi, Gabriele Franch, Marco Cristoforetti,
• Abstract要約: ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。 本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。 我々の目標は、最近のジェネレーティブモデリングの進歩により、DLベースのモデルが数値的なダウンスケールモデルに匹敵する結果をもたらすことを実証することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Downscaling techniques are one of the most prominent applications of Deep Learning (DL) in Earth System Modeling. A robust DL downscaling model can generate high-resolution fields from coarse-scale numerical model simulations, saving the timely and resourceful applications of regional/local models. Additionally, generative DL models have the potential to provide uncertainty information, by generating ensemble-like scenario pools, a task that is computationally prohibitive for traditional numerical simulations. In this study, we apply a Latent Diffusion Model (LDM) to downscale ERA5 data over Italy up to a resolution of 2 km. The high-resolution target data consists of results from a high-resolution dynamical downscaling performed with COSMO-CLM. Our goal is to demonstrate that recent advancements in generative modeling enable DL-based models to deliver results comparable to those of numerical dynamical downscaling models, given the same input data (i.e., ERA5 data), preserving the realism of fine-scale features and flow characteristics. The training and testing database consists of hourly data from 2000 to 2020. The target variables of this study are 2-m temperature and 10-m horizontal wind components. A selection of predictors from ERA5 is used as input to the LDM, and a residual approach against a reference UNET is leveraged in applying the LDM. The performance of the generative LDM is compared with reference baselines of increasing complexity: quadratic interpolation of ERA5, a UNET, and a Generative Adversarial Network (GAN) built on the same reference UNET. Results highlight the improvements introduced by the LDM architecture and the residual approach over these baselines. The models are evaluated on a yearly test dataset, assessing the models' performance through deterministic metrics, spatial distribution of errors, and reconstruction of frequency and power spectra distributions.
• Abstract（参考訳）: ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。 強靭なDLダウンスケーリングモデルは、粗大な数値モデルシミュレーションから高分解能場を生成することができ、局所的・局所的モデルの時間的・資源的な応用を省くことができる。 さらに、生成型DLモデルは、従来の数値シミュレーションでは計算不可能なアンサンブルのようなシナリオプールを生成することによって、不確実性情報を提供する可能性がある。 本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。 高分解能ターゲットデータは、COSMO-CLMで実行される高分解能動的ダウンスケーリングの結果から成り立っている。 我々のゴールは、最近のジェネレーティブモデリングの進歩により、DLベースのモデルが、同じ入力データ(ERA5データ)を与えられた数値的動的ダウンスケーリングモデルに匹敵する結果を提供し、微細な特徴とフロー特性のリアリズムを保ったことを実証することである。 トレーニングとテストのデータベースは、2000年から2020年までの時間データで構成されている。 本研究の対象変数は, 温度2m, 水平風成分10mである。 ERA5 からの予測器の選択を LDM の入力とし、基準 UNET に対する残差アプローチを LDM の適用に活用する。 生成LDMの性能は、ERA5の二次補間、UNET、同じ基準UNET上に構築されたGAN(Generative Adversarial Network)の参照ベースラインと比較される。 結果は、LDMアーキテクチャによって導入された改善と、これらのベースラインに対する残留アプローチを強調している。 モデルは年次テストデータセットで評価され、決定論的指標、誤差の空間分布、周波数およびパワースペクトル分布の再構成を通じてモデルの性能を評価する。

関連論文リスト

• Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
  我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。 従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。 我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
  論文  参考訳（メタデータ） (2024-05-10T12:15:02Z)
• Generalization capabilities and robustness of hybrid machine learning models grounded in flow physics compared to purely deep learning models [2.8686437689115363]
  本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した。畳み込み自己エンコーダと畳み込みLSTM、変分自己エンコーダ(VAE)とConvLSTMと適切な分解(POD)とLSTM(POD-DL)を組み合わせたハイブリッドモデルである。 VAEおよびConvLSTMモデルは層流を正確に予測する一方で、ハイブリッドPOD-DLモデルは層流と乱流の双方において他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-27T12:43:02Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Diffusion-Model-Assisted Supervised Learning of Generative Models for Density Estimation [10.793646707711442]
  本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。 スコアベース拡散モデルを用いてラベル付きデータを生成する。 ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
  論文  参考訳（メタデータ） (2023-10-22T23:56:19Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• DeepVARwT: Deep Learning for a VAR Model with Trend [1.9862987223379664]
  本稿では,トレンドと依存構造を最大限に推定するために,ディープラーニング手法を用いた新しい手法を提案する。 この目的のためにLong Short-Term Memory (LSTM) ネットワークが使用される。 シミュレーション研究と実データへの適用について述べる。
  論文  参考訳（メタデータ） (2022-09-21T18:23:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。