論文の概要: CAM-NET: An AI Model for Whole Atmosphere with Thermosphere and Ionosphere Extension

• arxiv url: http://arxiv.org/abs/2506.19340v1
• Date: Tue, 24 Jun 2025 06:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.507055
• Title: CAM-NET: An AI Model for Whole Atmosphere with Thermosphere and Ionosphere Extension
• Title（参考訳）: CAM-NET: 熱圏と電離圏拡張を伴う全大気のAIモデル
• Authors: Jiahui Hu, Wenjun Dong,
• Abstract要約: 我々は,地球表面から電離層への中性大気変数の予測を目的としたAIモデルであるCAM-NETを提案する。 このモデルは、帯状風や乾燥風、温度、圧力の時間といった重要な大気パラメータを効果的に予測する。
• 参考スコア（独自算出の注目度）: 0.5256237513030104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Compressible Atmospheric Model-Network (CAM-NET), an AI model designed to predict neutral atmospheric variables from the Earth's surface to the ionosphere with high accuracy and computational efficiency. Accurate modeling of the entire atmosphere is critical for understanding the upward propagation of gravity waves, which influence upper-atmospheric dynamics and coupling across atmospheric layers. CAM-NET leverages the Spherical Fourier Neural Operator (SFNO) to capture global-scale atmospheric dynamics while preserving the Earth's spherical structure. Trained on a decade of datasets from the Whole Atmosphere Community Climate Model with thermosphere and ionosphere eXtension (WACCM-X), CAM-NET demonstrates accuracy comparable to WACCM-X while achieving a speedup of over 1000x in inference time, can provide one year simulation within a few minutes once trained. The model effectively predicts key atmospheric parameters, including zonal and meridional winds, temperature, and time rate of pressure. Inspired by traditional modeling approaches that use external couplers to simulate tracer transport, CAM-NET introduces a modular architecture that explicitly separates tracer prediction from core dynamics. The core backbone of CAM-NET focuses on forecasting primary physical variables (e.g., temperature, wind velocity), while tracer variables are predicted through a lightweight, fine-tuned model. This design allows for efficient adaptation to specific tracer scenarios with minimal computational cost, avoiding the need to retrain the entire model. We have validated this approach on the $O^2$ tracer, demonstrating strong performance and generalization capabilities.
• Abstract（参考訳）: 我々は,地球表面から電離層への中性大気変数を高精度かつ計算効率で予測するAIモデルである圧縮性大気モデルネットワーク(CAM-NET)を提案する。 大気全体の正確なモデリングは重力波の上方伝播を理解するために重要であり、これは大気層における上層大気の力学と結合に影響を及ぼす。 CAM-NETは球状フーリエニューラル演算子(SFNO)を活用し、地球の球面構造を保ちながら地球規模の大気力学を捉える。 熱圏と電離圏eXtension(WACCM-X)を備えた全大気地域気候モデル(Whole Atmosphere Community Climate Model)の10年間のデータセットに基づいて、CAM-NETはWACCM-Xに匹敵する精度を示し、推論時間の1000倍以上のスピードアップを達成した。 このモデルは、帯状風や乾燥風、温度、圧力の時間といった重要な大気パラメータを効果的に予測する。 CAM-NETは、外部カプラを使ってトレーサ転送をシミュレートする従来のモデリングアプローチに触発され、コアダイナミクスからトレーサ予測を明示的に分離するモジュールアーキテクチャを導入した。 CAM-NETの中核となるバックボーンは、プライマリ物理変数(例えば、温度、風速)の予測に焦点を当て、トレーサ変数は軽量で微調整されたモデルによって予測される。 この設計により、最小の計算コストで特定のトレーサシナリオへの効率的な適応が可能となり、モデル全体を再トレーニングする必要がなくなる。 我々はこの手法を$O^2$トレーサで検証し、高い性能と一般化能力を実証した。

関連論文リスト

• Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
  大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。 大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。 本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-20T17:33:20Z)
• Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling [19.340636269420692]
  ストームスケール対流許容モデル(CAM)は雷雨とメソスケール対流システムの進化を予測する重要なツールである。 深層学習モデルは、これまでのところ、kmスケールの大気シミュレーションでは十分には証明されていない。 我々は,高分解能高速リフレッシュ(HRRR)モデル-NOAAの最先端3km動作CAMをエミュレートしたStormCastと呼ばれる生成拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-20T15:56:01Z)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• 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)
• Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models [0.0]
  本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。 利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。 また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-11-08T17:36:37Z)

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。