論文の概要: Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones

• arxiv url: http://arxiv.org/abs/2502.20132v2
• Date: Fri, 28 Feb 2025 11:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:18.373853
• Title: Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones
• Title（参考訳）: 深層学習に基づくモデルレベルの下降フレームワークを用いた地域気候予測:ヨーロッパ気候圏への応用
• Authors: Parthiban Loganathan, Elias Zea, Ricardo Vinuesa, Evelyn Otero,
• Abstract要約: 本研究は、深層学習に基づくマルチモデル評価およびダウンスケーリングフレームワークで、結合モデル相互比較プロジェクトフェーズ6(CMIP6)モデルランキング32を提示する。 熱帯・乾燥・温帯・大陸・極圏の気候帯は4季節にわたって調査されている。 4つのモデルは、上位のGCMを0.1$circ$の解像度にダウンスケールするのに貢献する。
• 参考スコア（独自算出の注目度）: 0.8437187555622164
• License:
• Abstract: Accurate regional climate forecast calls for high-resolution downscaling of Global Climate Models (GCMs). This work presents a deep-learning-based multi-model evaluation and downscaling framework ranking 32 Coupled Model Intercomparison Project Phase 6 (CMIP6) models using a Deep Learning-TOPSIS (DL-TOPSIS) mechanism and so refines outputs using advanced deep-learning models. Using nine performance criteria, five K\"oppen-Geiger climate zones -- Tropical, Arid, Temperate, Continental, and Polar -- are investigated over four seasons. While TaiESM1 and CMCC-CM2-SR5 show notable biases, ranking results show that NorESM2-LM, GISS-E2-1-G, and HadGEM3-GC31-LL outperform other models. Four models contribute to downscaling the top-ranked GCMs to 0.1$^{\circ}$ resolution: Vision Transformer (ViT), Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoSTANet), CNN-LSTM, and CNN-Long Short-Term Memory (ConvLSTM). Effectively capturing temperature extremes (TXx, TNn), GeoSTANet achieves the highest accuracy (Root Mean Square Error (RMSE) = 1.57$^{\circ}$C, Kling-Gupta Efficiency (KGE) = 0.89, Nash-Sutcliffe Efficiency (NSE) = 0.85, Correlation ($r$) = 0.92), so reducing RMSE by 20% over ConvLSTM. CNN-LSTM and ConvLSTM do well in Continental and Temperate zones; ViT finds fine-scale temperature fluctuations difficult. These results confirm that multi-criteria ranking improves GCM selection for regional climate studies and transformer-based downscaling exceeds conventional deep-learning methods. This framework offers a scalable method to enhance high-resolution climate projections, benefiting impact assessments and adaptation plans.
• Abstract（参考訳）: 正確な地域気候予報では、GCM(Global Climate Models)の高解像度ダウンスケーリングが求められている。 本研究は,Deep Learning-TOPSIS (DL-TOPSIS) 機構を用いたCMIP6(Coupled Model Intercomparison Project Phase 6)モデルを用いた深層学習に基づくマルチモデル評価とダウンスケールフレームワークのランク付けを行い,高度な深層学習モデルを用いて出力を洗練する。 熱帯・乾燥・温帯・大陸・極域の5つの「オッペン・ガイガー気候帯」を,9つの性能基準を用いて調査した。 TaiESM1とCMCC-CM2-SR5は顕著なバイアスを示すが、ランキング結果はNorESM2-LM、GISS-E2-1-G、HadGEM3-GC31-LLが他のモデルより優れていることを示している。 Vision Transformer (ViT)、Geospatial Spatiotemporal Transformer with Attention and Im Balance-Aware Network (GeoSTANet)、CNN-LSTM、CNN-Long Short-Term Memory (ConvLSTM)である。 温度極値 (TXx, TNn) を効果的に捕捉すると、GeoSTANet は最高精度を達成する(Root Mean Square Error (RMSE) = 1.57$^{\circ}$C, Kling-Gupta efficiency (KGE) = 0.89, Nash-Sutcliffe efficiency (NSE) = 0.85, correlation$r$) = 0.92)。 CNN-LSTM と ConvLSTM は大陸・温帯でよく機能する。 これらの結果から, 地域気候研究におけるGCM選択は, 従来の深層学習法よりも向上し, 変圧器によるダウンスケーリングが向上することが確認された。 このフレームワークは、高解像度の気候予測を強化し、影響評価と適応計画の恩恵を受けるスケーラブルな方法を提供する。

関連論文リスト

• Language Models as Zero-shot Lossless Gradient Compressors: Towards General Neural Parameter Prior Models [56.00251589760559]
  大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。 本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。 実験により、LM-GCは既存の最先端のロスレス圧縮手法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-09-26T13:38:33Z)
• 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)
• RAIN: Reinforcement Algorithms for Improving Numerical Weather and Climate Models [0.0]
  現在の気候モデルは、サブグリッドスケールのプロセスを表現するために複雑な数学的パラメータ化に依存している。 本研究は,重要なパラメータ化課題に対処するために,強化学習と理想的な気候モデルを統合することを検討する。
  論文  参考訳（メタデータ） (2024-08-28T20:10:46Z)
• 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)
• The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
  完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。 ESMを近似するより効率的なエミュレータは、放射を気候データセットに直接マッピングすることができる。 我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T18:17:17Z)
• Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model [7.784934642915291]
  本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。 複数のLR気候変数に条件付き拡散確率モデルを用いる。 以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
  論文  参考訳（メタデータ） (2023-12-12T09:39:52Z)
• 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)
• 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)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。