論文の概要: ClimateSOM: A Visual Analysis Workflow for Climate Ensemble Datasets

• arxiv url: http://arxiv.org/abs/2508.06732v1
• Date: Fri, 08 Aug 2025 22:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.525152
• Title: ClimateSOM: A Visual Analysis Workflow for Climate Ensemble Datasets
• Title（参考訳）: ClimateSOM: 気候アンサンブルデータセットのためのビジュアル分析ワークフロー
• Authors: Yuya Kawakami, Daniel Cayan, Dongyu Liu, Kwan-Liu Ma,
• Abstract要約: ClimateSOMは、気候アンサンブルデータセットのインタラクティブな探索と解釈をサポートするビジュアル分析ワークフローである。 これにより、アンサンブルモデル実行間の変動を調査し、パターンを特定し、アンサンブルモデルの実行を比較およびクラスタ化することができる。 気候SOMの有用性を実証するため、カリフォルニアとアメリカ合衆国北西部の降水量予測のアンサンブルデータセットにワークフローを適用した。
• 参考スコア（独自算出の注目度）: 20.524120906910216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble datasets are ever more prevalent in various scientific domains. In climate science, ensemble datasets are used to capture variability in projections under plausible future conditions including greenhouse and aerosol emissions. Each ensemble model run produces projections that are fundamentally similar yet meaningfully distinct. Understanding this variability among ensemble model runs and analyzing its magnitude and patterns is a vital task for climate scientists. In this paper, we present ClimateSOM, a visual analysis workflow that leverages a self-organizing map (SOM) and Large Language Models (LLMs) to support interactive exploration and interpretation of climate ensemble datasets. The workflow abstracts climate ensemble model runs - spatiotemporal time series - into a distribution over a 2D space that captures the variability among the ensemble model runs using a SOM. LLMs are integrated to assist in sensemaking of this SOM-defined 2D space, the basis for the visual analysis tasks. In all, ClimateSOM enables users to explore the variability among ensemble model runs, identify patterns, compare and cluster the ensemble model runs. To demonstrate the utility of ClimateSOM, we apply the workflow to an ensemble dataset of precipitation projections over California and the Northwestern United States. Furthermore, we conduct a short evaluation of our LLM integration, and conduct an expert review of the visual workflow and the insights from the case studies with six domain experts to evaluate our approach and its utility.
• Abstract（参考訳）: アンサンブルデータセットは、様々な科学領域で広く使われている。 気候科学において、アンサンブルデータセットは、温室効果ガスやエアロゾル放出など将来性の高い条件下でのプロジェクションの変動を捉えるために用いられる。 各アンサンブルモデルランは、基本的に類似しているが有意義に異なる射影を生成する。 アンサンブルモデルの多様性を理解し、その大きさとパターンを分析することは、気候科学者にとって重要な課題である。 本稿では、自己組織化マップ(SOM)とLarge Language Models(LLM)を利用した視覚分析ワークフローであるClimateSOMを紹介し、気候アンサンブルデータセットの対話的探索と解釈を支援する。 ワークフローは、気候アンサンブルモデルの実行 - 時空間時系列 - を2次元空間上の分布に抽象化し、SOMを使用して実行するアンサンブルモデル間の変動をキャプチャする。 LLMは、視覚解析タスクの基礎となる、このSOM定義された2次元空間の認識を支援するために統合されている。 全体として、ClimateSOMは、アンサンブルモデル実行間の変動を調査し、パターンを特定し、アンサンブルモデル実行を比較、クラスタ化することを可能にする。 気候SOMの有用性を実証するため、カリフォルニアとアメリカ合衆国北西部の降水量予測のアンサンブルデータセットにワークフローを適用した。 さらに、LLM統合の短期評価を行い、視覚ワークフローのエキスパートレビューを行い、6つのドメインエキスパートとのケーススタディから洞察を得て、我々のアプローチとその有用性を評価する。

関連論文リスト

• Model Swarms: Collaborative Search to Adapt LLM Experts via Swarm Intelligence [90.91152752062546]
  我々は,Swarmインテリジェンスを介してLLMを適応させる協調探索アルゴリズムであるModel Swarmsを提案する。 モデルSwarmsは、LLMの専門家を1つのタスク、マルチタスクドメイン、報酬モデル、そして多様な人間の興味に柔軟に適用できることを示します。
  論文  参考訳（メタデータ） (2024-10-15T00:59:17Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• ClimateIQA: A New Dataset and Benchmark to Advance Vision-Language Models in Meteorology Anomalies Analysis [32.940471253248965]
  Sparse Position and Outline Tracking (SPOT) は、視覚データにおける不規則な形状の領域を処理するために設計された新しいアルゴリズムである。 SPOTは、空間座標を抽出して不規則な形状の領域を特定し、局所化し、不規則な形状の構造化表現を可能にする。 SPOT上に構築したClimateIQAは,新しい気象学的視覚的質問応答データセットである。 ClimateIQAは、空間的手がかり、地理的メタデータ、分析データを組み込むことでVLMトレーニングを強化し、極端な気象特性の解釈と記述におけるモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2024-06-14T08:46:44Z)
• Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models [0.724847561444869]
  生成確率拡散モデルを用いて地球系モデル(ESM)をエミュレートする以前の研究を拡張した。 以上の結果から, 乾燥した呪文や熱いストリークなど, 各種気候指標におけるESMの出力とよく似た結果が得られた。
  論文  参考訳（メタデータ） (2024-04-12T20:13:19Z)
• ClimateSet: A Large-Scale Climate Model Dataset for Machine Learning [26.151056828513962]
  気候モデルは、気候変動の影響を評価し、将来の気候シナリオをシミュレートするための鍵となっている。 機械学習(ML)コミュニティは、気候モデルエミュレーション、ダウンスケーリング、予測タスクといった様々なタスクにおける気候科学者の取り組みを支援することへの関心が高まっている。 ここでは、入力4MIPとCMIP6アーカイブから36の気候モデルの入力と出力を含むデータセットであるClimateSetを紹介する。
  論文  参考訳（メタデータ） (2023-11-07T04:55:36Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• 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)
• 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。