論文の概要: Robustness of AI-based weather forecasts in a changing climate

• arxiv url: http://arxiv.org/abs/2409.18529v1
• Date: Fri, 27 Sep 2024 08:11:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 05:42:34.441446
• Title: Robustness of AI-based weather forecasts in a changing climate
• Title（参考訳）: 変化する気候におけるAIによる天気予報のロバスト性
• Authors: Thomas Rackow, Nikolay Koldunov, Christian Lessig, Irina Sandu, Mihai Alexe, Matthew Chantry, Mariana Clare, Jesper Dramsch, Florian Pappenberger, Xabier Pedruzo-Bagazgoitia, Steffen Tietsche, Thomas Jung,
• Abstract要約: 現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。 現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
• 参考スコア（独自算出の注目度）: 1.4779266690741741
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Data-driven machine learning models for weather forecasting have made transformational progress in the last 1-2 years, with state-of-the-art ones now outperforming the best physics-based models for a wide range of skill scores. Given the strong links between weather and climate modelling, this raises the question whether machine learning models could also revolutionize climate science, for example by informing mitigation and adaptation to climate change or to generate larger ensembles for more robust uncertainty estimates. Here, we show that current state-of-the-art machine learning models trained for weather forecasting in present-day climate produce skillful forecasts across different climate states corresponding to pre-industrial, present-day, and future 2.9K warmer climates. This indicates that the dynamics shaping the weather on short timescales may not differ fundamentally in a changing climate. It also demonstrates out-of-distribution generalization capabilities of the machine learning models that are a critical prerequisite for climate applications. Nonetheless, two of the models show a global-mean cold bias in the forecasts for the future warmer climate state, i.e. they drift towards the colder present-day climate they have been trained for. A similar result is obtained for the pre-industrial case where two out of three models show a warming. We discuss possible remedies for these biases and analyze their spatial distribution, revealing complex warming and cooling patterns that are partly related to missing ocean-sea ice and land surface information in the training data. Despite these current limitations, our results suggest that data-driven machine learning models will provide powerful tools for climate science and transform established approaches by complementing conventional physics-based models.
• Abstract（参考訳）: 気象予報のためのデータ駆動機械学習モデルは、過去1～2年で革新的な進歩を遂げた。 気象モデルと気候モデルとの強いつながりを考えると、機械学習モデルが気候変動への緩和と適応を知らせたり、より堅牢な不確実性推定のためにより大きなアンサンブルを生成することによって、気候科学に革命をもたらすかどうかという疑問が提起される。 ここでは、現在の気候における天気予報のために訓練された現在の最先端の機械学習モデルが、工業以前の2.9Kの温暖な気候に対応する様々な気候状態に熟練した予測をもたらすことを示す。 このことは、短い時間スケールで天気を形作るダイナミクスが、変化する気候において根本的に異なるものではないことを示唆している。 また、気候アプリケーションにとって重要な前提条件である機械学習モデルの、アウト・オブ・ディストリビューションの一般化能力を示す。 それにもかかわらず、2つのモデルでは、将来の温暖化の予報において、世界平均の寒冷バイアスが示されており、すなわち、彼らが訓練したより寒い現在の気候に向かって漂流している。 3つのモデルのうち2つのモデルが温暖化を示すプレインダストリアルケースに対して同様の結果が得られた。 本研究は,これらのバイアスに対する対策の可能性について論じ,その空間分布を解析し,海氷の欠如に関連する複雑な温暖化と冷却パターンと,トレーニングデータ中の陸面情報を明らかにする。 これらの制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが、気候科学の強力なツールを提供し、従来の物理ベースのモデルを補完することで確立したアプローチを変革することを示唆している。

関連論文リスト

• Modeling chaotic Lorenz ODE System using Scientific Machine Learning [1.4633779950109127]
  本稿では,SciML(SciML)手法を基礎的な気象モデルに統合する。 物理気候モデルの解釈可能性とニューラルネットワークの計算能力を組み合わせることで、SciMLモデルは気候をモデル化するための信頼できるツールであることが証明できる。
  論文  参考訳（メタデータ） (2024-10-09T01:17:06Z)
• Super Resolution On Global Weather Forecasts [0.1747623282473278]
  グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。 具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
  論文  参考訳（メタデータ） (2024-09-17T19:07:13Z)
• Building a temperature forecasting model for the city with the regression neural network (RNN) [0.0]
  天気予報モデルの研究は、2000年頃に始まったばかりである。 コンピュータ科学の進歩と共に、数学的モデルは、より正確で信頼性の高い予測モデルを作成するために、機械学習技術で構築され、応用されている。 本稿では,都市温度の予測にリカレントニューラルネットワークを適用するための研究とソリューションについて概説する。
  論文  参考訳（メタデータ） (2024-05-27T18:32:36Z)
• 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)
• 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 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)
• 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)
• 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)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)
• Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
  本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。 モデルの精度は、現在の最先端技術と併用するのに十分である。
  論文  参考訳（メタデータ） (2020-08-25T02:41:32Z)

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。