論文の概要: Spatiotemporal Density Correction of Multivariate Global Climate Model Projections using Deep Learning
- arxiv url: http://arxiv.org/abs/2411.18799v2
- Date: Sat, 07 Dec 2024 02:23:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:48:32.080513
- Title: Spatiotemporal Density Correction of Multivariate Global Climate Model Projections using Deep Learning
- Title(参考訳): 深層学習を用いた多変量気候モデル投影の時空間密度補正
- Authors: Reetam Majumder, Shiqi Fang, A. 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の単純化により、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結合分布の密度補正のための半パラメトリック条件密度推定法(SPCDE)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 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 semi-parametric conditional density estimation (SPCDE) for density correction of the joint distribution of daily precipitation and maximum temperature data obtained from gridded GCM spatial fields. The Vecchia approximation is employed to preserve dependencies in the observed field during the density correction process, which is carried out using semi-parametric quantile regression. The ability to calibrate joint distributions of GCM projections has potential advantages not only in estimating extremes, but also in better estimating compound hazards, like heat waves and drought, under potential climate change. Illustration on historical data from 1951-2014 over two 5x5 spatial grids in the US indicate that SPCDE can preserve key marginal and joint distribution properties of precipitation and maximum temperature, and predictions obtained using SPCDE are better calibrated compared to predictions using asynchronous quantile mapping and canonical correlation analysis, two commonly used 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の単純化により、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降雨の結合分布と最大温度データの密度補正のための新しい半パラメトリック条件密度推定法(SPCDE)を提案する。
半パラメトリック量子化回帰法を用いて, 密度補正過程における観測領域の依存性の保存にVecchia近似を用いる。
GCMプロジェクションの関節分布をキャリブレーションする能力は、極端を推定するだけでなく、潜在的な気候変動の下で、熱波や干ばつなどの複合的危険を推定する上でも有益である。
米国内の2つの5x5空間格子上の1951-2014年の歴史的データから、SPCDEは降水量と最大温度の重要な限界分布特性と結合分布特性を維持可能であることが示され、SPCDEを用いて得られた予測は、非同期量子化マッピングと正準相関解析を用いて予測した2つの一般的なバイアス補正手法を用いて予測したよりも、より良い校正を行うことができる。
関連論文リスト
- Statistical Downscaling via High-Dimensional Distribution Matching with Generative Models [12.737495484442443]
統計的ダウンスケーリングのための2段階確率的フレームワークであるGenerative Bias Correction and Super-Resolution(GenBCSR)を紹介する。
分散マッチングとしてダウンスケーリング問題をフレーミングすることにより、GenBCSRは教師付き学習の制約を緩和する。
我々は,GenBCSRが臨界影響変数の予測精度において,標準的なアプローチを超越していることを示す。
論文 参考訳(メタデータ) (2024-12-11T03:52:17Z) - 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) - 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) - 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) - 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) - 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) - 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) - Multi-model Ensemble Analysis with Neural Network Gaussian Processes [5.975698284186638]
マルチモデルアンサンブル解析は、複数の気候モデルからの情報を統一された射影に統合する。
我々は,ディープニューラルネットワークに基づく共分散関数を用いて,NN-GPRと呼ばれる統計的アプローチを提案する。
実験により,NN-GPRは地表温度と降水量予測に非常に熟練していることが示された。
論文 参考訳(メタデータ) (2022-02-08T21:28:03Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2021-02-24T10:18:30Z) - 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)
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。