論文の概要: Advancing Seasonal Prediction of Tropical Cyclone Activity with a Hybrid AI-Physics Climate Model
- arxiv url: http://arxiv.org/abs/2505.01455v2
- Date: Thu, 17 Jul 2025 17:20:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 15:53:04.597632
- Title: Advancing Seasonal Prediction of Tropical Cyclone Activity with a Hybrid AI-Physics Climate Model
- Title(参考訳): ハイブリッドAI-物理気候モデルによる熱帯サイクロン活動の季節予測の促進
- Authors: Gan Zhang, Megha Rao, Janni Yuval, Ming Zhao,
- Abstract要約: 機械学習モデルは天気予報で成功し、気候シミュレーションの進歩を示している。
Googleが開発したハイブリッドML物理大気モデルであるNeural General Circulation Model (NeuralGCM)を用いて,この実現可能性を示す。
- 参考スコア(独自算出の注目度): 2.5701544858386396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) models are successful with weather forecasting and have shown progress in climate simulations, yet leveraging them for useful climate predictions needs exploration. Here we show this feasibility using Neural General Circulation Model (NeuralGCM), a hybrid ML-physics atmospheric model developed by Google, for seasonal predictions of large-scale atmospheric variability and Northern Hemisphere tropical cyclone (TC) activity. Inspired by physical model studies, we simplify boundary conditions, assuming sea surface temperature (SST) and sea ice follow their climatological cycle but persist anomalies present at the initialization time. With such forcings, NeuralGCM can generate 100 simulation days in ~8 minutes with a single Graphics Processing Unit (GPU), while simulating realistic atmospheric circulation and TC climatology patterns. This configuration yields useful seasonal predictions (July to November) for the tropical atmosphere and various TC activity metrics. Notably, the predicted and observed TC frequency in the North Atlantic and East Pacific basins are significantly correlated during 1990 to 2023 (r=~0.7), suggesting prediction skill comparable to existing physical GCMs. Despite challenges associated with model resolution and simplified boundary forcings, the model-predicted interannual variations demonstrate significant correlations with the observation, including the sub-basin TC tracks (p<0.1) and basin-wide accumulated cyclone energy (p<0.01) of the North Atlantic and North Pacific basins. These findings highlight the promise of leveraging ML models with physical insights to model TC risks and deliver seamless weather-climate predictions.
- Abstract(参考訳): 機械学習(ML)モデルは天気予報で成功し、気候シミュレーションの進歩を示しているが、有用な気候予測には探索が必要である。
本稿では,Googleが開発したハイブリッドML物理大気モデルであるNeural General Circulation Model (NeuralGCM)を用いて,大規模な大気変動と北半球熱帯サイクロン(TC)活動の季節予測を行った。
物理モデル研究に触発されて,海面温度(SST)と海氷が気候周期に沿っていると仮定して,境界条件を単純化するが,初期化時に発生する異常は持続する。
このような強制により、NeuralGCMは、現実的な大気循環とTC気候パターンをシミュレートしながら、1つのグラフィクス処理ユニット(GPU)を使用して、およそ8分で100のシミュレーション日を生成することができる。
この構成は、熱帯の大気や様々なTC活動指標に有用な季節予測(7月から11月)をもたらす。
特に、1990年から2023年(r=~0.7)にかけて、北大西洋と東太平洋の流域で予測および観測されたTC周波数は著しく相関しており、既存の物理GCMに匹敵する予測スキルが示唆されている。
モデル分解能と簡易な境界強制の課題にもかかわらず, モデル予測の年次変動は, 北大西洋・北太平洋流域のサブベースTC軌道 (p<0.1) や流域全体で蓄積されたサイクロンエネルギー (p<0.01) など, 観測結果と有意な相関関係を示した。
これらの知見は、MLモデルを物理的洞察で活用し、TCリスクをモデル化し、シームレスな気象予報を提供することの可能性を浮き彫りにしている。
関連論文リスト
- Learning to generate physical ocean states: Towards hybrid climate modeling [1.5845117761091052]
オーシャン・ジェネラル・サーキュレーション・モデル (Ocean General Circulation Models) は、平衡状態に達するためには広範な計算資源を必要とする。
ディープラーニングエミュレータは、高速な予測を提供するが、気候科学者に必要な物理的解釈可能性や長期的な安定性は欠如している。
我々は、深部生成モデルを利用して物理的に一貫した海洋状態を生成することにより、両方の世界から最善を尽くすことを提案する。
論文 参考訳(メタデータ) (2025-02-04T17:14:41Z) - 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) - 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) - ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。
ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。
提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
論文 参考訳(メタデータ) (2024-04-15T06:38:21Z) - 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) - Neural General Circulation Models for Weather and Climate [7.545206238427117]
一般的な循環モデル(GCM)は、気象と気候予測の基礎である。
本稿では,大気力学の微分可能解法とML成分を組み合わせた最初のGCMを提案する。
決定論的気象,アンサンブル気象,気候の予測を,機械学習や物理に基づく最良の手法と同等に生成できることを示す。
論文 参考訳(メタデータ) (2023-11-13T10:40:17Z) - 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) - 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)
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。