論文の概要: Data Driven Deep Learning for Correcting Global Climate Model Projections of SST and DSL in the Bay of Bengal

• arxiv url: http://arxiv.org/abs/2504.20620v1
• Date: Tue, 29 Apr 2025 10:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.847393
• Title: Data Driven Deep Learning for Correcting Global Climate Model Projections of SST and DSL in the Bay of Bengal
• Title（参考訳）: ベンガル湾におけるSSTとDSLの地球温暖化モデル予測の補正のためのデータ駆動深層学習
• Authors: Abhishek Pasula, Deepak N. Subramani,
• Abstract要約: 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。
• 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 alters ocean conditions, notably temperature and sea level. In the Bay of Bengal, these changes influence monsoon precipitation and marine productivity, critical to the Indian economy. In Phase 6 of the Coupled Model Intercomparison Project (CMIP6), Global Climate Models (GCMs) use different shared socioeconomic pathways (SSPs) to obtain future climate projections. However, significant discrepancies are observed between these models and the reanalysis data in the Bay of Bengal for 2015-2024. Specifically, the root mean square error (RMSE) between the climate model output and the Ocean Reanalysis System (ORAS5) is 1.2C for the sea surface temperature (SST) and 1.1 m for the dynamic sea level (DSL). We introduce a new data-driven deep learning model to correct for this bias. The deep neural model for each variable is trained using pairs of climatology-removed monthly climate projections as input and the corresponding month's ORAS5 as output. This model is trained with historical data (1950 to 2014), validated with future projection data from 2015 to 2020, and tested with future projections from 2021 to 2023. Compared to the conventional EquiDistant Cumulative Distribution Function (EDCDF) statistical method for bias correction in climate models, our approach decreases RMSE by 0.15C for SST and 0.3 m for DSL. The trained model subsequently corrects the projections for 2024-2100. A detailed analysis of the monthly, seasonal, and decadal means and variability is performed to underscore the implications of the novel dynamics uncovered in our corrected projections.
• Abstract（参考訳）: 気候変動は海洋環境、特に気温と海面を変化させる。 ベンガル湾では、インド経済にとって重要なモンスーンの降水量と海洋生産性に影響を与える。 The Coupled Model Intercomparison Project (CMIP6)の第6フェーズでは、Global Climate Models (GCM) は異なる共有社会経済経路 (SSP) を用いて将来の気候予測を得る。 しかし、これらのモデルと2015-2024年のベンガル湾における再分析データとの間には大きな相違が見られる。 具体的には、気候モデル出力とオーシャン・リアナリシス・システム(ORAS5)の根平均二乗誤差(RMSE)は、海面温度(SST)が1.2C、動的海面温度(DSL)が1.1mである。 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。 このモデルは歴史的データ(1950年から2014年まで)で訓練され、2015年から2020年までの将来の予測データで検証され、2021年から2023年までの将来の予測で試験される。 気候モデルにおけるバイアス補正のための従来のEquidistant Cumulative Distribution Function (EDCDF) 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。 訓練されたモデルはその後、2024-2100の投影を補正する。 月次的,季節的,季節的,季節的な手段と変動の詳細な分析を行い,修正された投影法で明らかになった新しいダイナミクスの意義を明らかにした。

関連論文リスト

• Global Climate Model Bias Correction Using Deep Learning [0.4972323953932129]
  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。
  論文  参考訳（メタデータ） (2025-04-27T07:56:57Z)
• DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
  Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。 年間平均気温は2メートル(T2m)、海面温度(SST)である。 これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
  論文  参考訳（メタデータ） (2024-08-12T16:22:30Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• 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)
• A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies [2.8411302762015844]
  我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。 このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。 また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
  論文  参考訳（メタデータ） (2022-02-21T03:11:27Z)
• 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。