論文の概要: Conditional Density Estimation with Neural Networks for Bias Correction of Multivariate Climate Model Data

• arxiv url: http://arxiv.org/abs/2411.18799v1
• Date: Wed, 27 Nov 2024 22:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:35.713577
• Title: Conditional Density Estimation with Neural Networks for Bias Correction of Multivariate Climate Model Data
• Title（参考訳）: 多変量気候モデルデータのバイアス補正のためのニューラルネットワークによる条件密度推定
• Authors: Reetam Majumder, Shiqi Fang, Arumugam Sankarasubramanian, Emily C. Hector, Brian J. Reich,
• Abstract要約: グローバル気候モデル(GCM)は、地球の気候システム内の複雑な物理過程をシミュレートする数値モデルである。 GCMは、基礎となる物理的プロセスに関する仮定と単純化によって、体系的なバイアスに悩まされる。 日降水量と最大温度データの同時バイアス補正のための条件密度推定に基づく新しいバイアス補正法を提案する。
• 参考スコア（独自算出の注目度）: 1.0801976288811024
• License:
• Abstract: Global Climate Models (GCMs) are numerical models that simulate complex physical processes within the Earth's climate system, and are essential for understanding and predicting climate change. However, GCMs suffer from systemic biases due to assumptions about and simplifications made to the underlying physical processes. GCM output therefore needs to be bias corrected before it can be used for future climate projections. Most common bias correction methods, however, cannot preserve spatial, temporal, or inter-variable dependencies. We propose a new bias correction method based on conditional density estimation for the simultaneous bias correction of daily precipitation and maximum temperature data obtained from gridded GCM spatial fields. The Vecchia approximation is employed to preserve dependencies in the data, and conditional density estimation is carried out using semi-parametric quantile regression. Illustration on historical data from 1951-2014 over two 5 x 5 spatial grids in the US indicate that our method can preserve key marginal and joint distribution properties of precipitation and maximum temperature, and predictions obtained using our approach are better calibrated compared to predictions using asynchronous quantile mapping and canonical correlation analysis, two commonly used alternative bias correction approaches.
• Abstract（参考訳）: グローバル気候モデル(GCM)は、地球の気候システム内の複雑な物理過程をシミュレートする数値モデルであり、気候変動の理解と予測に不可欠である。 しかし、GCMは、基礎となる物理的プロセスに対する仮定と単純化により、体系的なバイアスに悩まされる。 したがって、GCMの出力は将来の気候予測に使用される前にバイアス修正される必要がある。 しかし、ほとんどの一般的なバイアス補正法は、空間的、時間的、あるいは変数間の依存関係を保存できない。 格子状GCM空間場から得られた日次降水量の同時バイアス補正と最大温度データに対する条件密度推定に基づく新しいバイアス補正法を提案する。 データの依存関係を保存するためにVecchia近似を用い、半パラメトリック量子化回帰を用いて条件密度推定を行う。 米国の2つの5x5空間格子上の1951-2014年の歴史的データから, 降水量と最大温度の有意な限界分布特性と結合分布特性を保存できることが示唆された。

関連論文リスト

• A Deconfounding Approach to Climate Model Bias Correction [26.68810227550602]
  地球温暖化モデル(GCM)は、地球系をシミュレートすることで、将来の気候変動を予測するのに不可欠である。 GCMは、モデルの不確実性、パラメータ化の単純化、複雑な気候現象の不十分な表現による体系的なバイアスを示す。 本稿では,GCMと観測データの両方を用いて,多原因共同創設者を捉える因子モデルを学習するための新しいバイアス補正手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:53:35Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching [0.0]
  我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。 本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
  論文  参考訳（メタデータ） (2023-08-11T18:29:28Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• 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)
• 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)
• Estimating Basis Functions in Massive Fields under the Spatial Mixed Effects Model [8.528384027684194]
  大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。 本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。 実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
  論文  参考訳（メタデータ） (2020-03-12T19:36:40Z)

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。