論文の概要: XAI4Extremes: An interpretable machine learning framework for understanding extreme-weather precursors under climate change
- arxiv url: http://arxiv.org/abs/2503.08163v1
- Date: Tue, 11 Mar 2025 08:27:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 22:35:51.640943
- Title: XAI4Extremes: An interpretable machine learning framework for understanding extreme-weather precursors under climate change
- Title（参考訳）: XAI4Extremes:気候変動下での極端に温暖な前駆体を理解するための解釈可能な機械学習フレームワーク
- Authors: Jiawen Wei, Aniruddha Bora, Vivek Oommen, Chenyu Dong, Juntao Yang, Jeff Adie, Chen Chen, Simon See, George Karniadakis, Gianmarco Mengaldo,
- Abstract要約: 気候変動により、極度の気象現象は頻度と強度が増している。
数値気象予測や人工知能ツールの進歩に伴い予測スキルが向上している一方で、極端な気象は依然として課題を呈している。
本稿では,深層学習モデルで同定された極端ウェザー前駆体を示す関係気象図を構築するために,ポストホック解釈可能性法を提案する。
次に、これらの関係マップを異なる複数年周期にまとめて、気候変動がこれらの前駆体に与える影響を理解する。
- 参考スコア（独自算出の注目度）: 9.795404493806402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme weather events are increasing in frequency and intensity due to climate change. This, in turn, is exacting a significant toll in communities worldwide. While prediction skills are increasing with advances in numerical weather prediction and artificial intelligence tools, extreme weather still present challenges. More specifically, identifying the precursors of such extreme weather events and how these precursors may evolve under climate change remain unclear. In this paper, we propose to use post-hoc interpretability methods to construct relevance weather maps that show the key extreme-weather precursors identified by deep learning models. We then compare this machine view with existing domain knowledge to understand whether deep learning models identified patterns in data that may enrich our understanding of extreme-weather precursors. We finally bin these relevant maps into different multi-year time periods to understand the role that climate change is having on these precursors. The experiments are carried out on Indochina heatwaves, but the methodology can be readily extended to other extreme weather events worldwide.
- Abstract（参考訳）: 気候変動により、極度の気象現象は頻度と強度が増している。
これは、世界中のコミュニティにとって大きな犠牲となっている。
数値気象予測や人工知能ツールの進歩に伴い予測スキルが向上している一方で、極端な気象は依然として課題を呈している。
より具体的には、このような極端な気象現象の前駆体と、これらの前駆体が気候変動の下でどのように進化するかは、まだ不明である。
本稿では,深層学習モデルで同定された極端ウェザー前駆体を示す関連気象マップを構築するために,ポストホック解釈可能性法を提案する。
次に、このマシンビューと既存のドメイン知識を比較して、深層学習モデルが極端に湿潤な前駆体の理解を深める可能性のあるデータのパターンを特定できるかどうかを理解する。
最終的に、これらの関係マップを様々な複数年周期にまとめて、気候変動がこれらの前駆体に与える影響を理解する。
実験はインドシナ熱波で行われているが、この手法は世界中の他の極端な気象事象に容易に拡張できる。
関連論文リスト
- Adversarial Observations in Weather Forecasting [11.130455392128072]
我々は,GoogleのGenCastで使用されているような,自己回帰拡散モデルに対する新たな攻撃を示す。
この攻撃は、自然騒音と統計的に区別できない気象観測に微妙な摂動をもたらす。
以上の結果から,大規模破壊を招き,気象予報に対する一般の信頼を損なうおそれのある,重大なセキュリティリスクが浮き彫りになった。
論文 参考訳（メタデータ） (2025-04-22T14:38:13Z) - A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
気象学における多くの問題は、AIモデルを使って解決できる。
データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。
本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2025-04-19T04:31:35Z) - ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。
また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
論文 参考訳（メタデータ） (2025-04-10T02:22:23Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Robustness of AI-based weather forecasts in a changing climate [1.4779266690741741]
現状の機械学習モデルは、現在の気候における天気予報のために訓練されたものであり、様々な気候状態において熟練した予測をもたらすことを示す。
現在の制限にもかかわらず、我々の結果は、データ駆動機械学習モデルが気候科学に強力なツールを提供することを示唆している。
論文 参考訳（メタデータ） (2024-09-27T08:11:49Z) - Super Resolution On Global Weather Forecasts [0.1747623282473278]
グループは,グローバル気象予測の空間分解能を高めることにより,既存の深層学習に基づく予測手法の改善を目指している。
具体的には、大域的精度を1度から0.5度に高めることにより、グラフCast温度予測における超解像(SR)の実行に関心がある。
論文 参考訳（メタデータ） (2024-09-17T19:07:13Z) - Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
機械学習天気予報モデルとECMWFの高分解能予測システムを比較した。
我々は,ML気象予報モデルが,記録破りの太平洋北西部熱波上でHRESと類似の精度を局所的に達成していることを発見した。
さらに、HRESとMLモデルのエラーが、そのイベントにどのように構築されるかという構造的な違いも強調します。
論文 参考訳（メタデータ） (2024-04-26T18:18:25Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Interpretable AI-Driven Discovery of Terrain-Precipitation Relationships
for Enhanced Climate Insights [8.780306158191443]
GA-GWR(GA-GWR)と呼ばれるAIによる知識発見フレームワークを提案する。
本研究は,複雑な地形を特徴とする地域での降水パターンと地形特性の関係を規定する明示的な方程式を明らかにすることを目的とする。
このAI駆動の知識発見を通じて、地形の特徴と降水パターンの関連性に光を当てた、これまで公表されていなかった明示的な方程式が明らかになった。
論文 参考訳（メタデータ） (2023-09-27T04:47:22Z) - Deep Learning Techniques in Extreme Weather Events: A Review [7.298515369993722]
本総説は,その分野における最先端の深層学習の概要を概観することを目的としている。
天気予報の様々な側面において,ディープラーニングアーキテクチャの利用について検討する。
複雑なパターンや非線形関係をキャプチャする能力など、ディープラーニングの可能性を強調します。
論文 参考訳（メタデータ） (2023-08-18T08:15:21Z) - Quantum Artificial Intelligence for the Science of Climate Change [4.678152517092125]
我々は、量子コンピュータ用に設計された人工知能アルゴリズムの新たな発展が、気候変動の科学を強化するために必要な重要なブレークスルーをもたらすかもしれないと論じる。
その結果、天気や気候予報の改善は、多くの社会的利益をもたらすことが期待されている。
論文 参考訳（メタデータ） (2021-07-28T19:00:33Z)
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。