論文の概要: Dynamical-generative downscaling of climate model ensembles

• arxiv url: http://arxiv.org/abs/2410.01776v1
• Date: Wed, 2 Oct 2024 17:31:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 15:24:18.999738
• Title: Dynamical-generative downscaling of climate model ensembles
• Title（参考訳）: 気候モデルアンサンブルの動的生成的ダウンスケーリング
• Authors: Ignacio Lopez-Gomez, Zhong Yi Wan, Leonardo Zepeda-Núñez, Tapio Schneider, John Anderson, Fei Sha,
• Abstract要約: 本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
• 参考スコア（独自算出の注目度）: 13.376226374728917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regional high-resolution climate projections are crucial for many applications, such as agriculture, hydrology, and natural hazard risk assessment. Dynamical downscaling, the state-of-the-art method to produce localized future climate information, involves running a regional climate model (RCM) driven by an Earth System Model (ESM), but it is too computationally expensive to apply to large climate projection ensembles. We propose a novel approach combining dynamical downscaling with generative artificial intelligence to reduce the cost and improve the uncertainty estimates of downscaled climate projections. In our framework, an RCM dynamically downscales ESM output to an intermediate resolution, followed by a generative diffusion model that further refines the resolution to the target scale. This approach leverages the generalizability of physics-based models and the sampling efficiency of diffusion models, enabling the downscaling of large multi-model ensembles. We evaluate our method against dynamically-downscaled climate projections from the CMIP6 ensemble. Our results demonstrate its ability to provide more accurate uncertainty bounds on future regional climate than alternatives such as dynamical downscaling of smaller ensembles, or traditional empirical statistical downscaling methods. We also show that dynamical-generative downscaling results in significantly lower errors than bias correction and spatial disaggregation (BCSD), and captures more accurately the spectra and multivariate correlations of meteorological fields. These characteristics make the dynamical-generative framework a flexible, accurate, and efficient way to downscale large ensembles of climate projections, currently out of reach for pure dynamical downscaling.
• Abstract（参考訳）: 地域の高解像度気候予測は、農業、水文学、自然災害リスク評価など、多くの用途に欠かせない。 地球系モデル (ESM) によって駆動される地域気候モデル (RCM) の実行を伴う、局所的な将来の気候情報を生成する最先端の手法である動的ダウンスケーリング(英語版)は、大規模な気候予測アンサンブルに適用するには計算に費用がかかりすぎる。 本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。 このアプローチは、物理学に基づくモデルの一般化性と拡散モデルのサンプリング効率を活用し、大規模なマルチモデルアンサンブルのダウンスケーリングを可能にする。 CMIP6アンサンブルからの動的ダウンスケール気候予測に対して,本手法の評価を行った。 以上の結果から,より小さなアンサンブルの動的ダウンスケーリングや,従来の経験的統計的ダウンスケーリング手法のような代替手段よりも,将来の地域気候に正確な不確実性を与える能力を示した。 また, 動的・生成的ダウンスケーリングは, 偏差補正や空間分解(BCSD)よりも誤差が著しく小さく, 気象場のスペクトルと多変量相関をより正確に捉えていることを示す。 これらの特徴は、動的生成フレームワークを柔軟で正確で効率的な方法で、現在の純粋な動的ダウンスケーリングには及ばない、大規模な気候予測をダウンスケールさせる。

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)
• Latent Diffusion Model for Generating Ensembles of Climate Simulations [2.144088660722956]
  我々は、広範囲の気候シミュレーションに基づいて、新しい生成的深層学習アプローチを訓練する。 潜在空間表現を利用することで、我々のモデルは最小限のメモリを必要とする大規模なアンサンブルをオンザフライで迅速に生成できる。
  論文  参考訳（メタデータ） (2024-07-02T08:59:24Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Foundation Models [0.0]
  ゼロショット方式で再トレーニングすることなく、任意の地球系モデル(ESM)シミュレーションを効率的かつ正確にダウンスケールする一貫性モデル(CM)を開発した。 CMは,ダウンスケーリングタスクにおいて高い制御性を維持しつつ,計算コストのごく一部で最先端拡散モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-05T08:41:41Z)
• 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)
• 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)
• Deep generative model super-resolves spatially correlated multiregional climate data [5.678539713361703]
  逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。 提案手法は,気候変動の影響を地域間一貫した評価に有効である。 本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
  論文  参考訳（メタデータ） (2022-09-26T05:45:16Z)
• 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)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。 現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。