論文の概要: ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method

• arxiv url: http://arxiv.org/abs/2504.07394v1
• Date: Thu, 10 Apr 2025 02:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:42.402862
• Title: ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method
• Title（参考訳）: ClimateBench-M: 単純な生成方法によるマルチモーダル気候データベンチマーク
• Authors: Dongqi Fu, Yada Zhu, Zhining Liu, Lecheng Zheng, Xiao Lin, Zihao Li, Liri Fang, Katherine Tieu, Onkar Bhardwaj, Kommy Weldemariam, Hanghang Tong, Hendrik Hamann, Jingrui He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.76389719956301
• License:
• Abstract: Climate science studies the structure and dynamics of Earth's climate system and seeks to understand how climate changes over time, where the data is usually stored in the format of time series, recording the climate features, geolocation, time attributes, etc. Recently, much research attention has been paid to the climate benchmarks. In addition to the most common task of weather forecasting, several pioneering benchmark works are proposed for extending the modality, such as domain-specific applications like tropical cyclone intensity prediction and flash flood damage estimation, or climate statement and confidence level in the format of natural language. To further motivate the artificial general intelligence development for climate science, in this paper, we first contribute a multi-modal climate benchmark, i.e., ClimateBench-M, which aligns (1) the time series climate data from ERA5, (2) extreme weather events data from NOAA, and (3) satellite image data from NASA HLS based on a unified spatial-temporal granularity. Second, under each data modality, we also propose a simple but strong generative method that could produce competitive performance in weather forecasting, thunderstorm alerts, and crop segmentation tasks in the proposed ClimateBench-M. The data and code of ClimateBench-M are publicly available at https://github.com/iDEA-iSAIL-Lab-UIUC/ClimateBench-M.
• Abstract（参考訳）: 気候科学は地球の気候システムの構造と力学を研究し、時間とともにどのように変化するかを理解し、データは通常時系列の形式に格納され、気候の特徴、位置、時間特性などを記録する。 近年、気候指標に多くの研究が注がれている。 気象予報の最も一般的な課題に加えて、熱帯サイクロン強度予測や洪水被害推定といったドメイン固有の応用や、自然言語の形式における気候ステートメントと信頼度など、いくつかの先駆的なベンチマークが提案されている。 気候科学のための人工知能開発をさらに進めるために,我々はまず,(1)ERA5の時系列気候データ,(2)NOAAの極端気象イベントデータ,(3)空間時間的粒度を統一したNASA HLSの衛星画像データとを一致させたマルチモーダル気候ベンチマークであるClimateBench-Mを提案する。 次に, 気象予報, 雷雨警報, 作物の分節化タスクにおいて, 簡易かつ強力な生成手法を提案する。 ClimateBench-Mのデータとコードはhttps://github.com/iDEA-iSAIL-Lab-UIUC/ClimateBench-Mで公開されている。

関連論文リスト

• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [23.504915709396204]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
  第1次一般気象基礎モデル(WeatherGFM)を紹介する。 気象理解タスクの幅広い範囲を統一的な方法で解決する。 我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
  論文  参考訳（メタデータ） (2024-11-08T09:14:19Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Advancing Data-driven Weather Forecasting: Time-Sliding Data Augmentation of ERA5 [3.3748750222488657]
  我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。 本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。 その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-13T03:01:22Z)
• Foundation Models for Weather and Climate Data Understanding: A Comprehensive Survey [39.08108001903514]
  私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。 主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
  論文  参考訳（メタデータ） (2023-12-05T01:10:54Z)
• 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)
• 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)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)

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。