論文の概要: Deep Learning Atmospheric Models Reliably Simulate Out-of-Sample Land Heat and Cold Wave Frequencies
- arxiv url: http://arxiv.org/abs/2507.03176v1
- Date: Thu, 03 Jul 2025 21:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.609344
- Title: Deep Learning Atmospheric Models Reliably Simulate Out-of-Sample Land Heat and Cold Wave Frequencies
- Title(参考訳): 深層学習大気モデルによる陸域外熱・寒波周波数の再現
- Authors: Zilu Meng, Gregory J. Hakim, Wenchang Yang, Gabriel A. Vecchi,
- Abstract要約: 従来の高分解能陸大気モデル(HiRAM)と比較して,2つの深層学習(DL)に基づく一般循環モデル(GCM)を評価する。
両DLモデルは、1900-1960年における熱波と寒波の周波数パターンと空間パターンを広く再現し、観測不可能な気候条件に到達した。
例外は、1940年から1960年の間に全てのモデルが不調な北米と北アメリカの一部である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning (DL)-based general circulation models (GCMs) are emerging as fast simulators, yet their ability to replicate extreme events outside their training range remains unknown. Here, we evaluate two such models -- the hybrid Neural General Circulation Model (NGCM) and purely data-driven Deep Learning Earth System Model (DL\textit{ESy}M) -- against a conventional high-resolution land-atmosphere model (HiRAM) in simulating land heatwaves and coldwaves. All models are forced with observed sea surface temperatures and sea ice over 1900-2020, focusing on the out-of-sample early-20th-century period (1900-1960). Both DL models generalize successfully to unseen climate conditions, broadly reproducing the frequency and spatial patterns of heatwave and cold wave events during 1900-1960 with skill comparable to HiRAM. An exception is over portions of North Asia and North America, where all models perform poorly during 1940-1960. Due to excessive temperature autocorrelation, DL\textit{ESy}M tends to overestimate heatwave and cold wave frequencies, whereas the physics-DL hybrid NGCM exhibits persistence more similar to HiRAM.
- Abstract(参考訳): 深層学習(DL)に基づく一般循環モデル(GCM)は高速シミュレータとして登場しているが、訓練範囲外の極端な事象を再現する能力は未だに不明である。
本稿では,従来の高分解能陸大気モデル (HiRAM) に対して, ハイブリッド型ニューラル・ジェネラル・サーキュレーション・モデル (NGCM) と純粋にデータ駆動型ディープラーニング・アース・システム・モデル (DL\textit{ESy}M) の2つのモデルを評価する。
すべてのモデルは1900-2020年に観測された海面温度と海氷で強制され、19世紀前半(1900-1960)に焦点が当てられた。
両DLモデルは、1900-1960年における熱波とコールドウェーブの周波数と空間パターンを、HiRAMに匹敵する技術で広く再現し、観測不可能な気候条件に到達した。
例外は、1940年から1960年の間に全てのモデルが不調な北米と北アメリカの一部である。
過剰な温度自己相関のため、DL\textit{ESy}Mは熱波とコールドウェーブの周波数を過大評価する傾向にあるが、物理-DLハイブリッドNGCMはHiRAMによく似た持続性を示す。
関連論文リスト
- Pushing the Limits of Extreme Weather: Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。
以上の結果から, 気候モデルにより, 事象確率の上位尾部を効率的に探索することが可能であり, 気候変動下での極端気象を対象とするストーリーラインを構築するための, 強力な新しいアプローチが得られた。
論文 参考訳(メタデータ) (2025-06-12T12:50:38Z) - Prediction Beyond the Medium Range with an Atmosphere-Ocean Model that Combines Physics-based Modeling and Machine Learning [0.0]
本稿では、機械学習(ML)と従来の物理モデルを組み合わせたハイブリッドモデリング手法の可能性について検討する。
このモデルは低分解能で簡易なパラメータ化大気一般循環モデルSPEEDYに基づいている。
このモデルはエルニーノの周期と、季節によって3~7ヶ月の降水量による地球規模のテレコネクションを予測する能力を持っている。
論文 参考訳(メタデータ) (2024-05-29T20:56:44Z) - 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) - Dynamical Tests of a Deep-Learning Weather Prediction Model [0.0]
ディープラーニングの天気予報モデルは、運用センターで実行される物理ベースのモデルに匹敵する予測を生成することが示されている。
これらのモデルが大気力学を符号化したのか、あるいは最小の予測誤差を生成する単純なパターンマッチングなのかは不明だ。
ここでは、モデルトレーニングデータに似ていない4つの古典力学実験の集合に、そのようなモデルPangu-weatherを適用する。
本モデルは,すべての実験において現実的な物理を符号化し,高額な物理モデルを使用する前に,アイデアを迅速にテストするためのツールとして使用できることを示唆する。
論文 参考訳(メタデータ) (2023-09-19T18:26:41Z) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - 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) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳(メタデータ) (2021-03-17T16:10:06Z) - 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)
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。