論文の概要: Downscaling Precipitation with Bias-informed Conditional Diffusion Model

• arxiv url: http://arxiv.org/abs/2412.14539v1
• Date: Thu, 19 Dec 2024 05:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:32:25.917665
• Title: Downscaling Precipitation with Bias-informed Conditional Diffusion Model
• Title（参考訳）: バイアスインフォームド条件付き拡散モデルによるダウンスケーリング降水
• Authors: Ran Lyu, Linhan Wang, Yanshen Sun, Hedanqiu Bai, Chang-Tien Lu,
• Abstract要約: 現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。 ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。 降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 10.545983522538085
• License:
• Abstract: Climate change is intensifying rainfall extremes, making high-resolution precipitation projections crucial for society to better prepare for impacts such as flooding. However, current Global Climate Models (GCMs) operate at spatial resolutions too coarse for localized analyses. To address this limitation, deep learning-based statistical downscaling methods offer promising solutions, providing high-resolution precipitation projections with a moderate computational cost. In this work, we introduce a bias-informed conditional diffusion model for statistical downscaling of precipitation. Specifically, our model leverages a conditional diffusion approach to learn distribution priors from large-scale, high-resolution precipitation datasets. The long-tail distribution of precipitation poses a unique challenge for training diffusion models; to address this, we apply gamma correction during preprocessing. Additionally, to correct biases in the downscaled results, we employ a guided-sampling strategy to enhance bias correction. Our experiments demonstrate that the proposed model achieves highly accurate results in an 8 times downscaling setting, outperforming previous deterministic methods. The code and dataset are available at https://github.com/RoseLV/research_super-resolution
• Abstract（参考訳）: 気候変動によって降雨が激化しており、洪水などの影響に備えるためには、社会にとって高解像度の降水予測が不可欠である。 しかし、現在のグローバル気候モデル(GCM)は、局所分析には粗い空間分解能で運用されている。 この制限に対処するため、深層学習に基づく統計的ダウンスケーリング手法は、適度な計算コストで高解像度の降水予測を提供する、有望な解決策を提供する。 本研究では,降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。 具体的には,大規模で高分解能な降水データセットから分布先行を学習するために条件拡散アプローチを利用する。 降水の長期分布は拡散モデルの訓練に特有の課題であり,これを解決するために前処理中にガンマ補正を適用する。 さらに, ダウンスケール結果のバイアスを補正するために, バイアス補正を強化するためのガイドサンプリング方式を採用した。 実験により,提案モデルが8倍のダウンスケーリング設定を行い,従来の決定論的手法よりも優れていることを示す。 コードとデータセットはhttps://github.com/RoseLV/research_super- resolutionで公開されている。

関連論文リスト

• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Capturing Climatic Variability: Using Deep Learning for Stochastic Downscaling [0.0]
  気候変動に適応するには、正確な局地的な気候情報が必要である。 ダウンスケーリング中の変動のキャプチャは、不確実性を推定し、極端な事象を特徴づけるのに不可欠である。 本稿では,GANのキャリブレーションを3つの方法で改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T03:04:10Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Generative Diffusion-based Downscaling for Climate [0.0]
  機械学習アルゴリズムは、ダウンスケールに対する効率的で正確なアプローチであることを証明している。 ダウンスケーリングに対する生成的,拡散的アプローチが,正確なダウンスケール結果をもたらすことを示す。 この研究は、信頼性と詳細な気候予測を提供する上で、拡散に基づくダウンスケーリング技術の可能性を強調している。
  論文  参考訳（メタデータ） (2024-04-27T01:49:14Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
  この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。 決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。 カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
  論文  参考訳（メタデータ） (2023-12-11T02:38:07Z)
• 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)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。