論文の概要: Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.00033v1
• Date: Mon, 26 May 2025 21:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.1415
• Title: Probabilistic Spatial Interpolation of Sparse Data using Diffusion Models
• Title（参考訳）: 拡散モデルを用いたスパースデータの確率論的空間補間
• Authors: Valerie Tsao, Nathaniel W. Chaney, Manolis Veveakis,
• Abstract要約: 本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 我々は,2018-2020年夏期の午後の気温場に着目して,南大平原の枠組みを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The large underlying assumption of climate models today relies on the basis of a "confident" initial condition, a reasonably plausible snapshot of the Earth for which all future predictions depend on. However, given the inherently chaotic nature of our system, this assumption is complicated by sensitive dependence, where small uncertainties in initial conditions can lead to exponentially diverging outcomes over time. This challenge is particularly salient at global spatial scales and over centennial timescales, where data gaps are not just common but expected. The source of uncertainty is two-fold: (1) sparse, noisy observations from satellites and ground stations, and (2) internal variability stemming from the simplifying approximations within the models themselves. In practice, data assimilation methods are used to reconcile this missing information by conditioning model states on partial observations. Our work builds on this idea but operates at the extreme end of sparsity. We propose a conditional data imputation framework that reconstructs full temperature fields from as little as 1% observational coverage. The method leverages a diffusion model guided by a prekriged mask, effectively inferring the full-state fields from minimal data points. We validate our framework over the Southern Great Plains, focusing on afternoon (12:00-6:00 PM) temperature fields during the summer months of 2018-2020. Across varying observational densities--from swath data to isolated in-situ sensors--our model achieves strong reconstruction accuracy, highlighting its potential to fill in critical data gaps in both historical reanalysis and real-time forecasting pipelines.
• Abstract（参考訳）: 今日の気候モデルに関する大きな前提は、すべての将来の予測が依存する地球の、合理的に妥当なスナップショットである「信頼された」初期条件に基づいている。 しかし、本システムの本質的なカオス性を考えると、この仮定は敏感な依存によって複雑であり、初期状態の小さな不確実性は時間とともに指数関数的に変化する結果をもたらす可能性がある。 この課題は、特にグローバルな空間スケールや、データギャップが一般的であるだけでなく、期待されているような100年以上の時間スケールにおいて顕著である。 不確実性の源は、(1)衛星や地上局からの希薄でノイズの多い観測、(2)モデル自体の簡易な近似から生じる内部の変動である。 実際に、データ同化法は、部分的な観測をモデル状態に条件付けすることで、この欠落した情報を整理するために用いられる。 私たちの仕事は、このアイデアに基づいていますが、空白の極端に活動しています。 本研究では,1%の観測範囲から全温度場を再構成する条件付きデータ計算フレームワークを提案する。 この方法は、プリクルートマスクによって導かれる拡散モデルを利用して、最小のデータ点から全状態場を効果的に推定する。 我々は,2018-2020年夏期の午後(12:00-6:00 PM)の気温場に着目し,南大平原の枠組みを検証した。 さまざまな観測密度 – 流砂データから孤立したその場センサーまで – が強い復元精度を実現し,過去の再解析とリアルタイム予測パイプラインにおいて重要なデータギャップを埋める可能性を強調している。

関連論文リスト

• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• DiffDA: a Diffusion Model for Weather-scale Data Assimilation [19.336483240566142]
  本研究では,予測状態とスパース観測を用いて大気変数を同化可能な拡散モデルとしてDiffDAを提案する。 天気予報モデルと天気予報専用拡散モデルとの類似性を認識し,事前学習したGraphCastニューラルネットワークを拡散モデルのバックボーンとして適用する。
  論文  参考訳（メタデータ） (2024-01-11T14:11:12Z)
• 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)

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。