論文の概要: GEN2: A Generative Prediction-Correction Framework for Long-time Emulations of Spatially-Resolved Climate Extremes

• arxiv url: http://arxiv.org/abs/2508.15196v1
• Date: Thu, 21 Aug 2025 03:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.159849
• Title: GEN2: A Generative Prediction-Correction Framework for Long-time Emulations of Spatially-Resolved Climate Extremes
• Title（参考訳）: GEN2 - 空間分解気候の長期エミュレーションのための生成予測補正フレームワーク
• Authors: Mengze Wang, Benedikt Barthel Sorensen, Themistoklis Sapsis,
• Abstract要約: 極端事象統計の効率的かつ正確な予測のための生成予測補正フレームワークを提案する。 我々のモデルは、異なるシナリオにおける極端な事象の統計を正確に予測し、トレーニングデータの分布を超えた外挿に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately quantifying the increased risks of climate extremes requires generating large ensembles of climate realization across a wide range of emissions scenarios, which is computationally challenging for conventional Earth System Models. We propose GEN2, a generative prediction-correction framework for an efficient and accurate forecast of the extreme event statistics. The prediction step is constructed as a conditional Gaussian emulator, followed by a non-Gaussian machine-learning (ML) correction step. The ML model is trained on pairs of the reference data and the emulated fields nudged towards the reference, to ensure the training is robust to chaos. We first validate the accuracy of our model on historical ERA5 data and then demonstrate the extrapolation capabilities on various future climate change scenarios. When trained on a single realization of one warming scenario, our model accurately predicts the statistics of extreme events in different scenarios, successfully extrapolating beyond the distribution of training data.
• Abstract（参考訳）: 気候極度の上昇リスクの正確な定量化には、幅広い排出シナリオをまたいだ大規模な気候の実現が必要であり、従来の地球系モデルでは計算が困難である。 極端事象統計の効率的かつ正確な予測を行うための生成予測補正フレームワークであるGEN2を提案する。 予測ステップは条件付きガウスエミュレータとして構築され、続いて非ガウス機械学習(ML)補正ステップが続く。 MLモデルは、基準データとエミュレートされたフィールドのペアに基づいてトレーニングされ、トレーニングがカオスに対して堅牢であることを保証する。 まず、過去のERA5データに基づいてモデルの有効性を検証し、様々な将来の気候変動シナリオにおける外挿能力を実証する。 1つの温暖化シナリオの単一実現をトレーニングすると、異なるシナリオにおける極端な事象の統計を正確に予測し、トレーニングデータの分布を超えた外挿に成功した。

関連論文リスト

• Data-driven Seasonal Climate Predictions via Variational Inference and Transformers [31.98107454758077]
  我々は季節予測のための気候モデル出力の生成モデルを訓練する。 気候変動に伴う傾向を超えた年次異常予測における手法の性能分析を行った。
  論文  参考訳（メタデータ） (2025-03-26T11:51:23Z)
• Generative assimilation and prediction for weather and climate [9.319028023682494]
  GAP(Generative Assimilation and Prediction)を紹介する。 GAPは気候と気候の同化と予測のための統合された枠組みである。 データ同化、シームレスな予測、気候シミュレーションなど、幅広い気候関連タスクに優れています。
  論文  参考訳（メタデータ） (2025-03-04T22:36:29Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• A non-intrusive machine learning framework for debiasing long-time coarse resolution climate simulations and quantifying rare events statistics [0.0]
  粗いモデルは、無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。 ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗大分解能気候予測を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T17:06:19Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• 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。