論文の概要: Exploring Design Choices for Autoregressive Deep Learning Climate Models

• arxiv url: http://arxiv.org/abs/2505.02506v1
• Date: Mon, 05 May 2025 09:37:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.633753
• Title: Exploring Design Choices for Autoregressive Deep Learning Climate Models
• Title（参考訳）: 自己回帰的深層学習気候モデルのための設計選択の探索
• Authors: Florian Gallusser, Simon Hentschel, Anna Krause, Andreas Hotho,
• Abstract要約: 本研究では,ERA5再解析データに基づく3つのDL-MWPアーキテクチャの長期安定性を5.625degで定量的に比較した。 参照データセットの統計特性を保存しながら,安定した10年間のロールアウトを可能にする構成を同定する。
• 参考スコア（独自算出の注目度）: 2.401696775092447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning models have achieved state-of-the-art performance in medium-range weather prediction but often fail to maintain physically consistent rollouts beyond 14 days. In contrast, a few atmospheric models demonstrate stability over decades, though the key design choices enabling this remain unclear. This study quantitatively compares the long-term stability of three prominent DL-MWP architectures - FourCastNet, SFNO, and ClimaX - trained on ERA5 reanalysis data at 5.625{\deg} resolution. We systematically assess the impact of autoregressive training steps, model capacity, and choice of prognostic variables, identifying configurations that enable stable 10-year rollouts while preserving the statistical properties of the reference dataset. Notably, rollouts with SFNO exhibit the greatest robustness to hyperparameter choices, yet all models can experience instability depending on the random seed and the set of prognostic variables
• Abstract（参考訳）: ディープラーニングモデルは、中規模の天気予報において最先端のパフォーマンスを達成したが、多くの場合、物理的に一貫したロールアウトを14日以上維持することができない。 対照的に、大気モデルでは何十年にもわたって安定性を示すものもいくつかあるが、重要な設計上の選択はいまだに不明である。 本研究では,5.625{\deg}解像度でERA5再解析データをトレーニングした3つのDL-MWPアーキテクチャ – FourCastNet,SFNO,ClimaX – の長期的安定性を定量的に比較した。 自動回帰トレーニングのステップ,モデルキャパシティ,および予後変数の選択の影響を系統的に評価し,参照データセットの統計的特性を保ちつつ,安定した10年間のロールアウトを可能にする構成を同定する。 特に、SFNOによるロールアウトは、ハイパーパラメータ選択に対する最大の堅牢性を示すが、すべてのモデルがランダムシードと予後変数の集合に依存して不安定を経験することができる。

関連論文リスト

• Weakly-Constrained 4D Var for Downscaling with Uncertainty using Data-Driven Surrogate Models [1.3654846342364308]
  動的ダウンスケーリングは通常、数値的な天気予報ソルバを使用して粗いデータをより高い空間分解能に洗練する。 FourCastNetのようなデータ駆動モデルは、予測のための従来のNWPモデルに代わる有望な選択肢として登場した。 本稿では、データ同化手法を用いて、ダウンスケーリングタスクに使用する場合の安定化を提案する。
  論文  参考訳（メタデータ） (2025-03-04T14:33:54Z)
• Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework [4.3313006430322165]
  高解像度降水予測は、正確な天気予報を提供し、極端な気象イベントに対する効果的な対応をサポートするために不可欠である。 本研究では,高分解能アンサンブル降水予測のための物理に着想を得たディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-06T10:29:38Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• 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)
• Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
  現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。 不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。 我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)
• Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence [0.19686770963118383]
  ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。 データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。 決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。 本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-09T23:52:37Z)
• Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting [16.934920617960085]
  DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。 本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
  論文  参考訳（メタデータ） (2020-09-10T20:15:59Z)

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。