論文の概要: Generative artificial intelligence improves projections of climate extremes

• arxiv url: http://arxiv.org/abs/2508.16396v2
• Date: Sun, 12 Oct 2025 01:16:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 20:23:38.88856
• Title: Generative artificial intelligence improves projections of climate extremes
• Title（参考訳）: 生成的人工知能は、気候極端の予測を改善する
• Authors: Ruian Tie, Xiaohui Zhong, Zhengyu Shi, Hao Li, Bin Chen, Jun Liu, Wu Libo,
• Abstract要約: GCMは将来の気候を予測するのに不可欠であるが、その粗い解像度と高い計算コストは極端を表す能力を制限する。 本稿では,CMIP出力をダウンスケールする生成的ディープラーニングフレームワークであるFuXi-CMIPAlignを紹介する。
• 参考スコア（独自算出の注目度）: 13.768093814009374
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate change is amplifying extreme events, posing escalating risks to biodiversity, human health, and food security. GCMs are essential for projecting future climate, yet their coarse resolution and high computational costs constrain their ability to represent extremes. Here, we introduce FuXi-CMIPAlign, a generative deep learning framework for downscaling CMIP outputs. The model integrates Flow Matching for generative modeling with domain adaptation via MMD loss to align feature distributions between training data and inference data, thereby mitigating input discrepancies and improving accuracy, stability, and generalization across emission scenarios. FuXi-CMIPAlign performs spatial, temporal, and multivariate downscaling, enabling more realistic simulation of compound extremes such as TCs.
• Abstract（参考訳）: 気候変動は極端な出来事を増幅し、生物多様性、人間の健康、食料安全保障へのリスクを増大させている。 GCMは将来の気候を予測するのに不可欠であるが、その粗い解像度と高い計算コストは極端を表す能力を制限する。 本稿では,CMIP出力をダウンスケールする生成的ディープラーニングフレームワークであるFuXi-CMIPAlignを紹介する。 このモデルは、MDD損失による生成モデルとドメイン適応のためのフローマッチングを統合し、トレーニングデータと推論データ間の特徴分布を整列させ、入力の相違を緩和し、エミッションシナリオ間の精度、安定性、一般化を改善する。 FuXi-CMIPAlignは、空間的、時間的、多変量的なダウンスケーリングを実行し、TCのような複合エクストリームのより現実的なシミュレーションを可能にする。

関連論文リスト

• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• 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。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,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提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [23.504915709396204]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Regional climate risk assessment from climate models using probabilistic machine learning [12.737495484442443]
  GenFocalは、微細な時間スケールで相互作用する複雑な気候プロセスのための汎用的でエンドツーエンドな生成フレームワークである。 現在の気候における極端なリスクを、先進的なアプローチよりも正確に評価する。 GenFocalは、気候の予測がdecadalの時間スケールに与える影響に関する文献と一致する、魅力的な結果を示している。
  論文  参考訳（メタデータ） (2024-12-11T03:52:17Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• 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)
• Machine learning emulation of precipitation from km-scale regional climate simulations using a diffusion model [22.255982502297197]
  高解像度の気候シミュレーションは気候変動の影響を理解するのに有用である。 CPMGEMは2.2km分解能の地域CPMによる降水シミュレーションをはるかに低コストでシミュレートする。 運転する地球規模の気候モデルの60kmの解像度で入力を受け取り、これらを8.8kmまでダウンスケールし、平均時分解能を持つ。
  論文  参考訳（メタデータ） (2024-07-19T09:42:20Z)
• Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Machine Learning [0.0]
  高分解能地球モデル(ESM)シミュレーションは、人為的気候変動の生態学的および社会経済的影響を評価するために不可欠である。 最近の機械学習アプローチは、ESMシミュレーションのダウンスケールにおいて有望な結果を示し、最先端の統計手法よりも優れている。 ゼロショット方式で再トレーニングすることなく、任意のESMシミュレーションを効率的に正確にダウンスケールする一貫性モデル(CM)を学習することで、これらの欠点に対処する。
  論文  参考訳（メタデータ） (2024-03-05T08:41:41Z)
• Advancing Data-driven Weather Forecasting: Time-Sliding Data Augmentation of ERA5 [3.3748750222488657]
  我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。 本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。 その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-13T03:01:22Z)
• 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)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• CMIP X-MOS: Improving Climate Models with Extreme Model Output Statistics [40.517778024431244]
  自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。 この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。 これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-24T13:18:53Z)
• 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)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)

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。