論文の概要: Causal Climate Emulation with Bayesian Filtering

• arxiv url: http://arxiv.org/abs/2506.09891v1
• Date: Wed, 11 Jun 2025 16:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.118099
• Title: Causal Climate Emulation with Bayesian Filtering
• Title（参考訳）: ベイズフィルタによる因果気候シミュレーション
• Authors: Sebastian Hickman, Ilija Trajkovic, Julia Kaltenborn, Francis Pelletier, Alex Archibald, Yaniv Gurwicz, Peer Nowack, David Rolnick, Julien Boussard,
• Abstract要約: 我々は因果表現学習に基づく解釈可能な気候モデルエミュレータを開発した。 安定な自己回帰エミュレーションのためのベイズフィルタを含む物理インフォームドアプローチを導出する。
• 参考スコア（独自算出の注目度）: 17.110430055067756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional models of climate change use complex systems of coupled equations to simulate physical processes across the Earth system. These simulations are highly computationally expensive, limiting our predictions of climate change and analyses of its causes and effects. Machine learning has the potential to quickly emulate data from climate models, but current approaches are not able to incorporate physics-informed causal relationships. Here, we develop an interpretable climate model emulator based on causal representation learning. We derive a physics-informed approach including a Bayesian filter for stable long-term autoregressive emulation. We demonstrate that our emulator learns accurate climate dynamics, and we show the importance of each one of its components on a realistic synthetic dataset and data from two widely deployed climate models.
• Abstract（参考訳）: 伝統的な気候変動モデルでは、結合方程式の複雑な系を使って地球全体の物理過程をシミュレートしている。 これらのシミュレーションは非常に計算コストが高く、気候変動の予測と原因と影響の分析を制限します。 機械学習は、気候モデルからのデータを素早くエミュレートする可能性があるが、現在のアプローチでは、物理情報に基づく因果関係を組み込むことはできない。 そこで我々は,因果表現学習に基づく解釈可能な気候モデルエミュレータを開発した。 安定な自己回帰エミュレーションのためのベイズフィルタを含む物理インフォームドアプローチを導出する。 我々はエミュレータが正確な気候力学を学習していることを示し、現実的な合成データセットと2つの広くデプロイされた気候モデルからのデータにおいて、それぞれのコンポーネントの重要性を示す。

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)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• 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)
• Towards Causal Representations of Climate Model Data [18.82507552857727]
  この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。 以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
  論文  参考訳（メタデータ） (2023-12-05T16:13:34Z)
• FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures Emulation [13.745581787463962]
  本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。 本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。 この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
  論文  参考訳（メタデータ） (2023-07-14T08:43:36Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• 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)
• 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)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)

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。