論文の概要: Do machine learning climate models work in changing climate dynamics?

• arxiv url: http://arxiv.org/abs/2509.12147v1
• Date: Mon, 15 Sep 2025 17:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.418877
• Title: Do machine learning climate models work in changing climate dynamics?
• Title（参考訳）: 機械学習の気候モデルは、気候変動のダイナミクスを変えるのに役立つか?
• Authors: Maria Conchita Agana Navarro, Geng Li, Theo Wolf, María Pérez-Ortiz,
• Abstract要約: 本研究は,様々なアウト・オブ・ディストリビューション(OOD)シナリオにおいて,最先端のMLベースの気候モデルを体系的に評価する。 大規模なデータセットの実験では、シナリオ間での顕著なパフォーマンスのばらつきが示され、現在のモデルの強度と限界に光を当てている。
• 参考スコア（独自算出の注目度）: 3.912757881247533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change is accelerating the frequency and severity of unprecedented events, deviating from established patterns. Predicting these out-of-distribution (OOD) events is critical for assessing risks and guiding climate adaptation. While machine learning (ML) models have shown promise in providing precise, high-speed climate predictions, their ability to generalize under distribution shifts remains a significant limitation that has been underexplored in climate contexts. This research systematically evaluates state-of-the-art ML-based climate models in diverse OOD scenarios by adapting established OOD evaluation methodologies to climate data. Experiments on large-scale datasets reveal notable performance variability across scenarios, shedding light on the strengths and limitations of current models. These findings underscore the importance of robust evaluation frameworks and provide actionable insights to guide the reliable application of ML for climate risk forecasting.
• Abstract（参考訳）: 気候変動は前例のない出来事の頻度と深刻度を加速し、確立したパターンから逸脱している。 これらのアウト・オブ・ディストリビューション(OOD)イベントを予測することは、リスクを評価し、気候適応を導くために重要である。 機械学習(ML)モデルは、正確で高速な気候予測を提供するという約束を示しているが、分布シフトの下で一般化する能力は、気候の文脈で過小評価されている重要な限界である。 本研究は、既存のOOD評価手法を気候データに適用することにより、さまざまなOODシナリオにおける最先端のMLベースの気候モデルを体系的に評価する。 大規模なデータセットの実験では、シナリオ間での顕著なパフォーマンスのばらつきが示され、現在のモデルの強度と限界に光を当てている。 これらの知見は、ロバストな評価フレームワークの重要性を浮き彫りにして、気候リスク予測のためのMLの信頼性を導くための実用的な洞察を提供する。

関連論文リスト

• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• 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)
• 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)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
  大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。 本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
  論文  参考訳（メタデータ） (2024-09-10T06:16:03Z)
• 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)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• 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)
• 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)

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。