論文の概要: Refined climatologies of future precipitation over High Mountain Asia using probabilistic ensemble learning
- arxiv url: http://arxiv.org/abs/2501.15690v2
- Date: Fri, 21 Feb 2025 17:33:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 17:07:39.902068
- Title: Refined climatologies of future precipitation over High Mountain Asia using probabilistic ensemble learning
- Title（参考訳）: 確率論的アンサンブル学習による高山域における将来の降水量の再検討
- Authors: Kenza Tazi, Sun Woo P. Kim, Marc Girona-Mata, Richard E. Turner,
- Abstract要約: 高山アジアは極域外で最も凍った水が集中しており、19億人以上にとって重要な水源となっている。
気候変動に直面して、降水はこの地域における水文モデリングの最大の不確実性の源となっている。
本研究では,CoRCPの13の地域モデルを組み合わせた確率論的機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 16.488377500674947
- License:
- Abstract: High Mountain Asia holds the largest concentration of frozen water outside the polar regions, serving as a crucial water source for more than 1.9 billion people. In the face of climate change, precipitation represents the largest source of uncertainty for hydrological modelling in this area. Future precipitation predictions remain challenging due to complex orography, lack of in situ hydrological observations, and limitations in climate model resolution and parametrisation for this region. To address the uncertainty posed by these challenges, climate models are often aggregated into multi-model ensembles. While multi-model ensembles are known to improve the predictive accuracy and analysis of future climate projections, consensus regarding how models are aggregated is lacking. In this study, we propose a probabilistic machine learning framework to combine 13 regional climate models from the Coordinated Regional Downscaling Experiment (CORDEX) over High Mountain Asia. Our approach accounts for seasonal and spatial biases within the models, enabling the prediction of more faithful precipitation distributions. The framework is validated against gridded historical precipitation data and is used to generate projections for the near future (2036$\unicode{x2013}$2065) and far future (2066$\unicode{x2013}$2095) under RCP4.5 and RCP8.5 scenarios.
- Abstract（参考訳）: 高山アジアは極域外で最も凍った水が集中しており、19億人以上にとって重要な水源となっている。
気候変動に直面して、降水はこの地域における水文モデリングの最大の不確実性の源となっている。
将来の降水予測は、複雑なオーログラフィー、水文学的な観測の欠如、気候モデル分解能の限界、この地域のパラメトリック化などにより、依然として困難なままである。
これらの課題によって生じる不確実性に対処するため、気候モデルはしばしばマルチモデルアンサンブルに集約される。
マルチモデルアンサンブルは将来の気候予測の予測精度と分析を改善することが知られているが、モデルがどのように集約されているかについてのコンセンサスは欠如している。
本研究では,高山域におけるCoordinated Regional Downscaling Experiment (CORDEX) による13の地域気候モデルを組み合わせた確率論的機械学習フレームワークを提案する。
我々のアプローチは、モデル内の季節的および空間的バイアスを考慮し、より忠実な降水分布の予測を可能にする。
2036$\unicode{x2013}$2065)と2066$\unicode{x2013}$2095)の予測をRCP4.5とRCP8.5のシナリオで生成するために使用される。
関連論文リスト
- Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$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) - CMIP X-MOS: Improving Climate Models with Extreme Model Output
Statistics [40.517778024431244]
自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。
この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。
これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
論文 参考訳（メタデータ） (2023-10-24T13:18:53Z) - Reducing Uncertainty in Sea-level Rise Prediction: A
Spatial-variability-aware Approach [4.32583920500711]
本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。
実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
論文 参考訳（メタデータ） (2023-10-19T02:13:38Z) - 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) - 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) - Computationally-Efficient Climate Predictions using Multi-Fidelity
Surrogate Modelling [0.0]
我々は,高忠実度気候予測を低コストで生成する手段として,多忠実度サロゲートモデルの可能性について検討した。
我々のモデルは、低忠実度気候モデル(GCM)と高忠実度地域気候モデル(RCM)の予測を組み合わせる。
我々は高忠実度モデルのみと比較して計算コストが大幅に低い高忠実度温度予測を作成できる。
論文 参考訳（メタデータ） (2021-08-03T15:26:42Z) - 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) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。