論文の概要: Vision Transformers for Multi-Variable Climate Downscaling: Emulating Regional Climate Models with a Shared Encoder and Multi-Decoder Architecture

• arxiv url: http://arxiv.org/abs/2506.22447v1
• Date: Thu, 12 Jun 2025 11:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.347507
• Title: Vision Transformers for Multi-Variable Climate Downscaling: Emulating Regional Climate Models with a Shared Encoder and Multi-Decoder Architecture
• Title（参考訳）: 多変数気候ダウンスケーリングのための視覚変換器:共有エンコーダとマルチデコーダアーキテクチャを用いた地域気候モデルのエミュレート
• Authors: Fabio Merizzi, Harilaos Loukos,
• Abstract要約: 共有エンコーダと可変固有デコーダを用いたマルチタスク多変数ビジョントランス (ViT) アーキテクチャを提案する。 我々の多変量アプローチは、正のクロス変数な知識伝達を実現し、同一条件下で訓練された単変量ベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global Climate Models (GCMs) are critical for simulating large-scale climate dynamics, but their coarse spatial resolution limits their applicability in regional studies. Regional Climate Models (RCMs) refine this through dynamic downscaling, albeit at considerable computational cost and with limited flexibility. While deep learning has emerged as an efficient data-driven alternative, most existing studies have focused on single-variable models that downscale one variable at a time. This approach can lead to limited contextual awareness, redundant computation, and lack of cross-variable interaction. Our study addresses these limitations by proposing a multi-task, multi-variable Vision Transformer (ViT) architecture with a shared encoder and variable-specific decoders (1EMD). The proposed architecture jointly predicts three key climate variables: surface temperature (tas), wind speed (sfcWind), and 500 hPa geopotential height (zg500), directly from GCM-resolution inputs, emulating RCM-scale downscaling over Europe. We show that our multi-variable approach achieves positive cross-variable knowledge transfer and consistently outperforms single-variable baselines trained under identical conditions, while also improving computational efficiency. These results demonstrate the effectiveness of multi-variable modeling for high-resolution climate downscaling.
• Abstract（参考訳）: グローバル気候モデル(GCM)は、大規模気候力学をシミュレートするために重要であるが、その粗い空間分解能は地域研究における適用性を制限している。 地域気候モデル(RCM)は、計算コストがかなり高く、柔軟性が限られているにもかかわらず、動的ダウンスケーリングによってこれを洗練する。 ディープラーニングは効率的なデータ駆動の代替手段として登場したが、既存の研究のほとんどは、一度に1つの変数をダウンスケールする単一変数モデルに焦点を当ててきた。 このアプローチは、コンテキスト認識の制限、冗長な計算、および相互変数間の相互作用の欠如につながる可能性がある。 本研究では,共有エンコーダと可変固有デコーダ (1EMD) を用いたマルチタスク多変数視覚変換器 (ViT) アーキテクチャを提案する。 提案アーキテクチャは, GCM解像度入力から直接, 表面温度 (tas), 風速 (sfcWind), 風速 (sfcWind), 風速 (zg500) の3つの重要な気候変数を予測し, RCMスケールのヨーロッパ上空でのダウンスケーリングをエミュレートする。 我々の多変量アプローチは、正のクロス変数な知識伝達を実現し、同一条件下で訓練された単変量ベースラインを一貫して上回り、計算効率も向上することを示す。 これらの結果から,高分解能気候下降に対する多変量モデルの有効性が示された。

関連論文リスト

• Paraformer: Parameterization of Sub-grid Scale Processes Using Transformers [6.622831012413507]
  我々は、気候パラメータ化のために作成された最大のデータセットであるClimSim上で、"メモリ対応"トランスフォーマーベースのモデルを提案する。 この結果から,提案モデルがサブグリッドスケール変数の複雑な非線形依存性を捕捉できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-21T20:21:52Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• Evaluating the transferability potential of deep learning models for climate downscaling [16.30722178785489]
  複数の気候データセットを用いた深層学習ダウンスケーリングモデルのトレーニングの有効性を評価し,より堅牢で伝達可能な表現を学習する。 ダウンスケーリングモデルの空間的, 変動的, 製品移動可能性について実験的に評価し, これらの異なるアーキテクチャの一般化可能性について考察する。
  論文  参考訳（メタデータ） (2024-07-17T12:10:24Z)
• Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
  スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。 そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。 我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
  論文  参考訳（メタデータ） (2024-04-27T15:00:57Z)
• Transferability and explainability of deep learning emulators for regional climate model projections: Perspectives for future applications [0.4821250031784094]
  地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。 ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。 本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。 いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
  論文  参考訳（メタデータ） (2023-11-01T00:44:39Z)
• Multi-variable Hard Physical Constraints for Climate Model Downscaling [17.402215838651557]
  地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。 彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。 本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
  論文  参考訳（メタデータ） (2023-08-02T11:42:02Z)
• 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)
• 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)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。