論文の概要: Machine learning emulation of precipitation from km-scale regional climate simulations using a diffusion model
- arxiv url: http://arxiv.org/abs/2407.14158v1
- Date: Fri, 19 Jul 2024 09:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 18:04:03.553715
- Title: Machine learning emulation of precipitation from km-scale regional climate simulations using a diffusion model
- Title（参考訳）: 拡散モデルを用いたkmスケール地域気候シミュレーションによる降水の機械学習エミュレーション
- Authors: Henry Addison, Elizabeth Kendon, Suman Ravuri, Laurence Aitchison, Peter AG Watson,
- Abstract要約: 高解像度の気候シミュレーションは、気候変動の影響を理解し、適応策を計画するのに有用である。
CPMGEMは,イングランドやウェールズの高分解能モデルからの降水シミュレーションをはるかに低コストでエミュレートするために,生成機械学習モデルの新たな応用である拡散モデルを提案する。
- 参考スコア（独自算出の注目度）: 22.255982502297197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution climate simulations are very valuable for understanding climate change impacts and planning adaptation measures. This has motivated use of regional climate models at sufficiently fine resolution to capture important small-scale atmospheric processes, such as convective storms. However, these regional models have very high computational costs, limiting their applicability. We present CPMGEM, a novel application of a generative machine learning model, a diffusion model, to skilfully emulate precipitation simulations from such a high-resolution model over England and Wales at much lower cost. This emulator enables stochastic generation of high-resolution (8.8km), daily-mean precipitation samples conditioned on coarse-resolution (60km) weather states from a global climate model. The output is fine enough for use in applications such as flood inundation modelling. The emulator produces precipitation predictions with realistic intensities and spatial structures and captures most of the 21st century climate change signal. We show evidence that the emulator has skill for extreme events up to and including 1-in-100 year intensities. Potential applications include producing high-resolution precipitation predictions for large-ensemble climate simulations and downscaling different climate models and climate change scenarios to better sample uncertainty in climate changes at local-scale.
- Abstract（参考訳）: 高解像度の気候シミュレーションは、気候変動の影響を理解し、適応策を計画するのに非常に有用である。
これは、対流嵐のような重要な小規模の大気過程を捉えるのに十分な解像度で地域気候モデルを使用することを動機付けている。
しかし、これらの地域モデルは計算コストが非常に高く、適用性が制限される。
CPMGEMは,イングランドやウェールズの高分解能モデルから降水シミュレーションを高速にエミュレートするための,生成機械学習モデル,拡散モデルの新しい応用法である。
このエミュレータは、地球規模の気候モデルから、粗解像度(60km)の気象条件下での日平均降水サンプルである高分解能(8.8km)の確率的な生成を可能にする。
アウトプットは、洪水浸水モデリングのようなアプリケーションでの使用には十分である。
エミュレータは、現実的な強度と空間構造を持つ降水予測を生成し、21世紀の気候変動信号のほとんどを捉えている。
我々は,エミュレータが最大100年以内の強度を含む極端なイベントのスキルを持っていることを示す。
潜在的な応用としては、大規模な気候シミュレーションのための高解像度降水予測の作成や、異なる気候モデルと気候変動シナリオのダウンスケールにより、局所的なスケールでの気候変動の不確実性のサンプリングを改善することが挙げられる。
関連論文リスト
- Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - Generating High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳（メタデータ） (2023-12-12T09:39:52Z) - 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) - 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) - Machine learning emulation of a local-scale UK climate model [22.374171443798037]
我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。
自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
論文 参考訳（メタデータ） (2022-11-29T11:44:35Z) - 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) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳（メタデータ） (2021-04-29T02:10:08Z) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z)
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。