論文の概要: Global Climate Model Bias Correction Using Deep Learning

• arxiv url: http://arxiv.org/abs/2504.19145v1
• Date: Sun, 27 Apr 2025 07:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.151173
• Title: Global Climate Model Bias Correction Using Deep Learning
• Title（参考訳）: 深層学習を用いた地球温暖化モデルバイアス補正
• Authors: Abhishek Pasula, Deepak N. Subramani,
• Abstract要約: 気候変動は海洋温度、塩分濃度、海面に影響し、モンスーンや海洋生産性に影響を及ぼす。 地球温暖化モデルによる将来の予測は、気候変動の影響を理解するために広く利用されている。 しかし、CMIPモデルは、ベンガル湾の再分析と比較して、投射と再解析の両方が利用できる期間に有意な偏りがある。 気候モデル予測のバイアス補正のためのデータ駆動型深層学習モデルスイートを開発し,ベンガル湾のSST予測に応用する。
• 参考スコア（独自算出の注目度）: 0.4972323953932129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate change affects ocean temperature, salinity and sea level, impacting monsoons and ocean productivity. Future projections by Global Climate Models based on shared socioeconomic pathways from the Coupled Model Intercomparison Project (CMIP) are widely used to understand the effects of climate change. However, CMIP models have significant bias compared to reanalysis in the Bay of Bengal for the time period when both projections and reanalysis are available. For example, there is a 1.5C root mean square error (RMSE) in the sea surface temperature (SST) projections of the climate model CNRM-CM6 compared to the Ocean Reanalysis System (ORAS5). We develop a suite of data-driven deep learning models for bias correction of climate model projections and apply it to correct SST projections of the Bay of Bengal. We propose the use of three different deep neural network architectures: convolutional encoder-decoder UNet, Bidirectional LSTM and ConvLSTM. We also use a baseline linear regression model and the Equi-Distant Cumulative Density Function (EDCDF) bias correction method for comparison and evaluating the impact of the new deep learning models. All bias correction models are trained using pairs of monthly CMIP6 projections and the corresponding month's ORAS5 as input and output. Historical data (1950-2014) and future projection data (2015-2020) of CNRM-CM6 are used for training and validation, including hyperparameter tuning. Testing is performed on future projection data from 2021 to 2024. Detailed analysis of the three deep neural models has been completed. We found that the UNet architecture trained using a climatology-removed CNRM-CM6 projection as input and climatology-removed ORAS5 as output gives the best bias-corrected projections. Our novel deep learning-based method for correcting CNRM-CM6 data has a 15% reduction in RMSE compared EDCDF.
• Abstract（参考訳）: 気候変動は海洋温度、塩分濃度、海面に影響し、モンスーンや海洋生産性に影響を及ぼす。 共役モデル比較プロジェクト(CMIP)の共通社会経済経路に基づく地球温暖化モデルによる将来の予測は、気候変動の影響を理解するために広く利用されている。 しかし、CMIPモデルは、ベンガル湾の再分析と比較して、投射と再解析の両方が利用できる期間に有意な偏りがある。 例えば、気候モデルCNRM-CM6の海面温度(SST)予測には、海洋分析システム(ORAS5)と比較して1.5Cルート平均二乗誤差(RMSE)が存在する。 気候モデル予測のバイアス補正のためのデータ駆動型深層学習モデルスイートを開発し,ベンガル湾のSST予測に応用する。 本稿では,畳み込みエンコーダデコーダUNet,双方向LSTM,ConvLSTMの3種類のディープニューラルネットワークアーキテクチャを提案する。 また、ベースライン線形回帰モデルとEDCDF(Equi-Distant Cumulative Density Function)バイアス補正法を用いて、新しいディープラーニングモデルの効果を比較し評価する。 全てのバイアス補正モデルは、毎月のCMIP6プロジェクションと、対応する月のORAS5を入力および出力としてトレーニングする。 CNRM-CM6の履歴データ(1950-2014)と将来予測データ(2015-2020)は、ハイパーパラメータチューニングを含むトレーニングと検証に使用される。 2021年から2024年までの将来の予測データでテストが行われる。 3つのディープ・ニューラル・モデルの詳細な分析が完了した。 その結果、UNetアーキテクチャは、CNRM-CM6プロジェクションを入力とし、ORAS5を出力として、最良のバイアス補正プロジェクションを提供することがわかった。 CNRM-CM6データを修正するための新しい深層学習法は、EMCDFと比較してRMSEを15%削減する。

関連論文リスト

• Data Driven Deep Learning for Correcting Global Climate Model Projections of SST and DSL in the Bay of Bengal [0.4972323953932129]
  このバイアスを正すために、新しいデータ駆動型ディープラーニングモデルを導入します。 各変数の深いニューラルモデルは、気象学的に除去された月の気候予測を入力として、対応する月のORAS5を出力としてトレーニングされる。 バイアス補正のための従来の等価累積分布関数(EDCDF)の統計手法と比較して,本手法はSSTでは0.15C,DSLでは0.3m減少する。
  論文  参考訳（メタデータ） (2025-04-29T10:40:37Z)
• How to systematically develop an effective AI-based bias correction model? [15.73933701556121]
  本研究では、数値天気予報(NWP)における系統的バイアス補正のための人工知能(AI)フレームワークであるReSA-ConvLSTMを紹介する。 本研究では, 動的気候正規化, 時間的因果制約を伴うConvLSTM, 残留自己保持機構を統合することで, 3つのイノベーションを提案する。 地球大気データの41年(1981-2021年)を用いて、2m大気温度(T2m)、10m風(UV10)、海面圧力(SLP)の系統的バイアスを低減する。 軽量アーキテクチャ(10.6Mパラメータ)は、複数の変数や下流アプリケーションへの効率的な一般化を可能にし、再学習時間を短縮する。
  論文  参考訳（メタデータ） (2025-04-21T03:02:42Z)
• Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones [0.8437187555622164]
  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。
  論文  参考訳（メタデータ） (2025-02-27T14:27:09Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• Validating Climate Models with Spherical Convolutional Wasserstein Distance [6.391314424489529]
  我々は、気候モデルと再分析データの違いをより包括的に測定するために、球面畳み込みワッサースタイン距離を導入する。 この新たな類似度尺度は、畳み込み予測を用いて空間変動を考慮し、気候変数の分布の局所的な差異を定量化する。
  論文  参考訳（メタデータ） (2024-01-26T05:35:50Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• 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。