論文の概要: Investigating the Robustness of Extreme Precipitation Super-Resolution Across Climates
- arxiv url: http://arxiv.org/abs/2507.09166v1
- Date: Sat, 12 Jul 2025 07:04:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:22.569495
- Title: Investigating the Robustness of Extreme Precipitation Super-Resolution Across Climates
- Title（参考訳）: 気候中における極端降水超解凍のロバスト性に関する研究
- Authors: Louise Largeau, Erwan Koch, David Leutwyler, Gregoire Mariethoz, Valerie Chavez-Demoulin, Tom Beucler,
- Abstract要約: 格子状気候モデルの粗い空間分解能は 極端な降水量のような社会的に関係のある変数を 投影する際の使用を制限します
対象変数の確率分布のパラメータを解析的に抽出可能な写像を用いて超解法を提案する。
本フレームワークは, パラメータ分布が支配する変数に対して広く適用可能であり, 経験的ダウンスケーリングが気候変動や極端に一般化する時期と理由を理解するためのモデルに依存しない診断を提供する。
- 参考スコア（独自算出の注目度）: 0.07276318984353923
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The coarse spatial resolution of gridded climate models, such as general circulation models, limits their direct use in projecting socially relevant variables like extreme precipitation. Most downscaling methods estimate the conditional distributions of extremes by generating large ensembles, complicating the assessment of robustness under distributional shifts, such as those induced by climate change. To better understand and potentially improve robustness, we propose super-resolving the parameters of the target variable's probability distribution directly using analytically tractable mappings. Within a perfect-model framework over Switzerland, we demonstrate that vector generalized linear and additive models can super-resolve the generalized extreme value distribution of summer hourly precipitation extremes from coarse precipitation fields and topography. We introduce the notion of a "robustness gap", defined as the difference in predictive error between present-trained and future-trained models, and use it to diagnose how model structure affects the generalization of each quantile to a pseudo-global warming scenario. By evaluating multiple model configurations, we also identify an upper limit on the super-resolution factor based on the spatial auto- and cross-correlation of precipitation and elevation, beyond which coarse precipitation loses predictive value. Our framework is broadly applicable to variables governed by parametric distributions and offers a model-agnostic diagnostic for understanding when and why empirical downscaling generalizes to climate change and extremes.
- Abstract（参考訳）: 一般的な循環モデルのような格子状気候モデルの粗い空間解像度は、極端な降水のような社会的に関係のある変数を投影する際の直接の使用を制限する。
多くのダウンスケーリング手法は、気候変動によって引き起こされるような分布シフト下でのロバスト性の評価を複雑にし、大きなアンサンブルを発生させることにより、極端の条件分布を推定する。
頑健さをよりよく理解し,潜在的に改善するために,解析的に抽出可能な写像を用いて,対象変数の確率分布のパラメータを直接解き明かす方法を提案する。
スイスにおける完全モデルフレームワークでは、ベクトル一般化線形および加法モデルにより、粗い降水場と地形から夏時降雨極値の一般化極値分布を超解することができることを示した。
本研究では,現在訓練されているモデルと将来訓練されたモデルとの予測誤差の差として定義された「ロバスト性ギャップ」の概念を導入し,モデル構造が擬似グロバル温暖化シナリオへの各量子の一般化にどのように影響するかを診断する。
複数のモデル構成を評価することにより、降水量と標高の空間的自己相関と交差相関に基づく超解像係数の上限を同定する。
本フレームワークは, パラメータ分布が支配する変数に対して広く適用可能であり, 経験的ダウンスケーリングが気候変動や極端に一般化する時期と理由を理解するためのモデルに依存しない診断を提供する。
関連論文リスト
- Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。
本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。
従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
論文 参考訳（メタデータ） (2025-04-01T00:21:31Z) - Downscaling Precipitation with Bias-informed Conditional Diffusion Model [10.545983522538085]
現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。
ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。
降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-12-19T05:36:52Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction [8.132450337453525]
本稿では,拡散確率的ダウンスケーリングモデル(DPDM)を気象分野に導入する。
このモデルは、データを1degから0.1degに効率的に変換することができる。
東アジアにおける月次表面変数の180年間のデータセットを生成するために,本モデルを適用した。
論文 参考訳（メタデータ） (2024-02-02T01:34:33Z) - 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) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳（メタデータ） (2022-12-14T17:26:35Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳（メタデータ） (2022-04-05T07:19:42Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳（メタデータ） (2022-03-23T09:45:12Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。