論文の概要: Advancing climate model interpretability: Feature attribution for Arctic melt anomalies

• arxiv url: http://arxiv.org/abs/2502.07741v1
• Date: Tue, 11 Feb 2025 18:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:49.908756
• Title: Advancing climate model interpretability: Feature attribution for Arctic melt anomalies
• Title（参考訳）: 気候モデル解釈可能性の向上:北極融解異常の特徴
• Authors: Tolulope Ale, Nicole-Jeanne Schlegel, Vandana P. Janeja,
• Abstract要約: 北極氷床と南極氷床は急激な表面融解と淡水流出の増加を経験しており、地球規模の海面上昇に大きく貢献している。 本稿では,ERA5モデルとGEMBモデルにおいて検出された異常を解析するために,非教師なし属性法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The focus of our work is improving the interpretability of anomalies in climate models and advancing our understanding of Arctic melt dynamics. The Arctic and Antarctic ice sheets are experiencing rapid surface melting and increased freshwater runoff, contributing significantly to global sea level rise. Understanding the mechanisms driving snowmelt in these regions is crucial. ERA5, a widely used reanalysis dataset in polar climate studies, offers extensive climate variables and global data assimilation. However, its snowmelt model employs an energy imbalance approach that may oversimplify the complexity of surface melt. In contrast, the Glacier Energy and Mass Balance (GEMB) model incorporates additional physical processes, such as snow accumulation, firn densification, and meltwater percolation/refreezing, providing a more detailed representation of surface melt dynamics. In this research, we focus on analyzing surface snowmelt dynamics of the Greenland Ice Sheet using feature attribution for anomalous melt events in ERA5 and GEMB models. We present a novel unsupervised attribution method leveraging counterfactual explanation method to analyze detected anomalies in ERA5 and GEMB. Our anomaly detection results are validated using MEaSUREs ground-truth data, and the attributions are evaluated against established feature ranking methods, including XGBoost, Shapley values, and Random Forest. Our attribution framework identifies the physics behind each model and the climate features driving melt anomalies. These findings demonstrate the utility of our attribution method in enhancing the interpretability of anomalies in climate models and advancing our understanding of Arctic melt dynamics.
• Abstract（参考訳）: 我々の研究の焦点は、気候モデルにおける異常の解釈可能性を改善し、北極融解力学の理解を深めることである。 北極氷床と南極氷床は急激な表面融解と淡水流出の増加を経験しており、地球規模の海面上昇に大きく貢献している。 これらの地域での融雪を駆動するメカニズムを理解することが重要である。 極圏気候研究で広く使われている分析データセットであるERA5は、広範な気候変数と地球規模のデータ同化を提供する。 しかし、融雪モデルでは、表面融雪の複雑さを過度に単純化するエネルギー不均衡のアプローチを採用している。 対照的に、Glacier Energy and Mass Balance (GEMB) モデルでは、雪の蓄積、ファーンデンシフィケーション、融水パーコレーション/再凍結といった物理プロセスが組み込まれており、表面メルトダイナミクスのより詳細な表現を提供している。 本研究では,ERA5およびGEMBモデルにおける異常融解現象に対する特徴属性を用いたグリーンランド氷床の表面融雪動態の解析に焦点をあてる。 本稿では,ERA5およびGEMBにおける検出された異常を解析するために,非教師なし属性法を提案する。 この異常検出結果は,MEaSUREの地中構造データを用いて検証し,XGBoost,Shapley値,ランダムフォレストなど,既存の特徴評価手法と比較した。 我々の帰属フレームワークは、各モデルの背後にある物理と、融解異常を駆動する気候の特徴を識別する。 これらの結果は,気候モデルにおける異常の解釈可能性を高め,北極融解力学の理解を深めるために,我々の属性法の有用性を示すものである。

関連論文リスト

• SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
  本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。 我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。 実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T08:52:12Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• 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)
• 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)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph Neural Networks [0.38073142980732994]
  積雪予測に適応的かつ反復的なグラフ畳み込みネットワークを用いた機械学習モデルを提案する。 我々は,従来のモデルと同等の非時間的,非幾何学的,非適応的モデルよりも,より優れた一貫性を持つモデルを見出した。
  論文  参考訳（メタデータ） (2023-06-22T19:59:54Z)
• Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference [2.0672522722098683]
  連続処理下での因果関係を推論するための時系列因果推論モデルTCINetを提案する。 我々は、北極海氷の融解の原因を定量化する能力を、我々の研究によって大幅に改善できることを示します。
  論文  参考訳（メタデータ） (2023-02-22T19:35:28Z)
• 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)
• 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)
• 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)

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。