論文の概要: Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature
- arxiv url: http://arxiv.org/abs/2507.22485v1
- Date: Wed, 30 Jul 2025 08:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:18.100311
- Title: Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature
- Title(参考訳): 物理制約付き生成機械学習に基づくグリーンランドの表面質量バランスと表面温度の高分解能ダウンスケーリング
- Authors: Nils Bochow, Philipp Hess, Alexander Robinson,
- Abstract要約: グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。
本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。
提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
- 参考スコア(独自算出の注目度): 44.99833362998488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate, high-resolution projections of the Greenland ice sheet's surface mass balance (SMB) and surface temperature are essential for understanding future sea-level rise, yet current approaches are either computationally demanding or limited to coarse spatial scales. Here, we introduce a novel physics-constrained generative modeling framework based on a consistency model (CM) to downscale low-resolution SMB and surface temperature fields by a factor of up to 32 (from 160 km to 5 km grid spacing) in a few sampling steps. The CM is trained on monthly outputs of the regional climate model MARv3.12 and conditioned on ice-sheet topography and insolation. By enforcing a hard conservation constraint during inference, we ensure approximate preservation of SMB and temperature sums on the coarse spatial scale as well as robust generalization to extreme climate states without retraining. On the test set, our constrained CM achieves a continued ranked probability score of 6.31 mmWE for the SMB and 0.1 K for the surface temperature, outperforming interpolation-based downscaling. Together with spatial power-spectral analysis, we demonstrate that the CM faithfully reproduces variability across spatial scales. We further apply bias-corrected outputs of the NorESM2 Earth System Model as inputs to our CM, to demonstrate the potential of our model to directly downscale ESM fields. Our approach delivers realistic, high-resolution climate forcing for ice-sheet simulations with fast inference and can be readily integrated into Earth-system and ice-sheet model workflows to improve projections of the future contribution to sea-level rise from Greenland and potentially other ice sheets and glaciers too.
- Abstract(参考訳): グリーンランド氷床の表面質量収支(SMB)と表面温度の高精度で高精度な投射は将来の海面上昇を理解するのに不可欠であるが、現在のアプローチは計算的に要求されるか、粗い空間スケールに制限される。
本稿では,高分解能SMBおよび表面温度場のダウンスケールを,数段階のサンプリングステップで最大32(160kmから5kmのグリッド間隔)に抑えるために,一貫性モデル(CM)に基づく新しい物理制約付き生成モデリングフレームワークを提案する。
CMは、地域気候モデルMARv3.12の月次出力に基づいて訓練され、氷床地形と日没地で調整されている。
推測中に厳密な保存制約を課すことにより、粗い空間スケールでのSMBと温度和の近似保存と、過酷な気候状態への堅牢な一般化を、再訓練なしに確保する。
テストセットでは,SMBは6.31mmWE,表面温度は0.1Kで,補間に基づくダウンスケーリングよりも優れていた。
空間パワースペクトル解析と合わせて,CMは空間スケールの変動性を忠実に再現することを示した。
さらに,NorESM2アースシステムモデルのバイアス補正出力をCMへの入力として適用し,ESMフィールドを直接ダウンスケールする可能性を示す。
提案手法は,高速推論による氷床シミュレーションのための現実的で高解像度な気候強制を,地球系および氷床モデルワークフローに容易に組み込むことで,グリーンランドおよび潜在的に他の氷床や氷河からの海面上昇への将来的な貢献の予測を改善する。
関連論文リスト
- Advancing Seasonal Prediction of Tropical Cyclone Activity with a Hybrid AI-Physics Climate Model [2.5701544858386396]
機械学習モデルは天気予報で成功し、気候シミュレーションの進歩を示している。
Googleが開発したハイブリッドML物理大気モデルであるNeural General Circulation Model (NeuralGCM)を用いて,この実現可能性を示す。
論文 参考訳(メタデータ) (2025-04-30T19:42:16Z) - 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) - 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) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Expanding Mars Climate Modeling: Interpretable Machine Learning for
Modeling MSL Relative Humidity [0.0]
本稿では,機械学習技術を活用した火星の気候モデリング手法を提案する。
我々の研究は、Gale Craterの相対湿度を正確にモデル化するために設計されたディープニューラルネットワークを提案する。
我々のニューラルネットワークは、いくつかの気象変数を用いて、ガレクレーターの相対湿度を効果的にモデル化できることがわかった。
論文 参考訳(メタデータ) (2023-09-04T08:15:15Z) - Machine-learned climate model corrections from a global storm-resolving
model [0.0]
我々は,200kmの気候モデルから3kmの微細グリッド・ストーム・リゾルディング・モデル(GSRM)を進化させるために必要な,状態依存温度,湿度,放射フラックス補正の学習のためにニューラルネットワークを訓練する。
これらの補正MLモデルが1年間の粗乾燥気候シミュレーションに結合されると、時間平均空間パターン誤差は陸面温度で6-25%、地表面降水で9-25%減少する。
論文 参考訳(メタデータ) (2022-11-21T19:39:05Z) - 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) - 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) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z)
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。