論文の概要: mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations
- arxiv url: http://arxiv.org/abs/2509.20422v1
- Date: Wed, 24 Sep 2025 15:47:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-26 20:58:12.526544
- Title: mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations
- Title（参考訳）: mloz: 気候感度シミュレーションのための機械学習に基づく高効率オゾンパラメータ化
- Authors: Yiling Ma, Nathan Luke Abraham, Stefan Versick, Roland Ruhnke, Andrea Schneidereit, Ulrike Niemeier, Felix Back, Peter Braesicke, Peer Nowack,
- Abstract要約: オゾンは太陽放射の重要な吸収剤であり、温室効果ガスである。
Coupled Model Intercomparison Project (CMIP) に参加しているほとんどの気候モデルは、大気化学の計算コストが高いため、オゾンのインタラクティブな表現が欠けている。
本稿では,標準的な気候感応シミュレーションにおいて,オゾンの日変動と対流圏と成層圏の傾向をインタラクティブにモデル化する機械学習パラメータ化(mloz)を提案する。
2つの異なる気候モデルにまたがって、デケイダルな時間スケールとフレキシブルな利用に関する高い忠実さを実証する。
- 参考スコア（独自算出の注目度）: 0.29960386795689337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric ozone is a crucial absorber of solar radiation and an important greenhouse gas. However, most climate models participating in the Coupled Model Intercomparison Project (CMIP) still lack an interactive representation of ozone due to the high computational costs of atmospheric chemistry schemes. Here, we introduce a machine learning parameterization (mloz) to interactively model daily ozone variability and trends across the troposphere and stratosphere in standard climate sensitivity simulations, including two-way interactions of ozone with the Quasi-Biennial Oscillation. We demonstrate its high fidelity on decadal timescales and its flexible use online across two different climate models -- the UK Earth System Model (UKESM) and the German ICOsahedral Nonhydrostatic (ICON) model. With atmospheric temperature profile information as the only input, mloz produces stable ozone predictions around 31 times faster than the chemistry scheme in UKESM, contributing less than 4 percent of the respective total climate model runtimes. In particular, we also demonstrate its transferability to different climate models without chemistry schemes by transferring the parameterization from UKESM to ICON. This highlights the potential for widespread adoption in CMIP-level climate models that lack interactive chemistry for future climate change assessments, particularly when focusing on climate sensitivity simulations, where ozone trends and variability are known to significantly modulate atmospheric feedback processes.
- Abstract（参考訳）: オゾンは太陽放射の重要な吸収剤であり、温室効果ガスである。
しかしながら、CMIP(Coupled Model Intercomparison Project)に参加しているほとんどの気候モデルでは、大気化学の計算コストが高いため、オゾンのインタラクティブな表現が欠けている。
本稿では,オゾンと準二年周期オシレーションの双方向相互作用を含む標準気候感応シミュレーションにおいて,オゾンの日次変動と対流圏・成層圏の傾向をインタラクティブにモデル化する機械学習パラメータ化(mloz)を提案する。
我々は,デケイダルな時間スケールに高い忠実さを示し,そのフレキシブルな利用を2つの異なる気候モデル – UK Earth System Model (UKESM) とドイツ ICOsahedral Nonhydrostatic (ICON) モデル – で実証した。
大気温度プロファイル情報を唯一の入力として、mlozはUKESMの化学計画の約31倍の速さで安定なオゾン予測を生成し、それぞれの気候モデルランタイム全体の4%以下に寄与している。
特に,UKESM から ICON へパラメータ化を移すことにより,化学スキームを使わずに異なる気候モデルへの遷移性を示す。
このことは、将来の気候変動評価にインタラクティブ化学が欠如しているCMIPレベルの気候モデルに広く採用される可能性、特にオゾンの傾向と変動性が大気のフィードバック過程を著しく調節することが知られている気候感受性シミュレーションに焦点を当てた場合の可能性を浮き彫りにしている。
関連論文リスト
- A machine learning model for skillful climate system prediction [12.912679599908984]
本稿では、29変数に対して、毎日60日間のグローバルな予測を提供するAIベースの気候システムモデルであるFengShun-CSMを紹介する。
このモデルは、ほとんどの変数を予測するために、ECMWF (European Centre for Medium-Range Weather Forecasts) subseasonal-to-seasonal (S2S) モデルよりも大幅に優れている。
特筆すべきは、FengShun-CSMは、海底の極端な事象を予測する大きな可能性を示すことである。
論文 参考訳（メタデータ） (2025-05-06T03:06:14Z) - 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) - PACER: Physics Informed Uncertainty Aware Climate Emulator [0.0]
PACERは、温室効果ガスの排出データのみを訓練しながら、86年間安定して温度と降水量をエミュレートする。
境界条件を考慮に入れたPACERにおいて, 対流拡散の基本的な物理法則を取り入れた。
PACERは、気候モデルの大半でベースラインを上回り、気候セットによって提供される15の気候モデルで訓練されている。
論文 参考訳（メタデータ） (2024-10-29T01:53:40Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - 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) - 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) - 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) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - 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) - 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。