論文の概要: EnScale: Temporally-consistent multivariate generative downscaling via proper scoring rules

• arxiv url: http://arxiv.org/abs/2509.26258v1
• Date: Tue, 30 Sep 2025 13:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.560482
• Title: EnScale: Temporally-consistent multivariate generative downscaling via proper scoring rules
• Title（参考訳）: EnScale: 適切なスコアリングルールによる時間的に一貫性のある多変量生成ダウンスケーリング
• Authors: Maybritt Schillinger, Maxim Samarin, Xinwei Shen, Reto Knutti, Nicolai Meinshausen,
• Abstract要約: 本稿では,全GCM-to-RCMマップをエミュレートする生成機械学習フレームワークであるEnScaleを紹介する。 最先端のMLダウンスケーリング手法と比較して、我々のセットアップは計算コストを約1桁削減する。
• 参考スコア（独自算出の注目度）: 2.009844446990157
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The practical use of future climate projections from global circulation models (GCMs) is often limited by their coarse spatial resolution, requiring downscaling to generate high-resolution data. Regional climate models (RCMs) provide this refinement, but are computationally expensive. To address this issue, machine learning models can learn the downscaling function, mapping coarse GCM outputs to high-resolution fields. Among these, generative approaches aim to capture the full conditional distribution of RCM data given coarse-scale GCM data, which is characterized by large variability and thus challenging to model accurately. We introduce EnScale, a generative machine learning framework that emulates the full GCM-to-RCM map by training on multiple pairs of GCM and corresponding RCM data. It first adjusts large-scale mismatches between GCM and coarsened RCM data, followed by a super-resolution step to generate high-resolution fields. Both steps employ generative models optimized with the energy score, a proper scoring rule. Compared to state-of-the-art ML downscaling approaches, our setup reduces computational cost by about one order of magnitude. EnScale jointly emulates multiple variables -- temperature, precipitation, solar radiation, and wind -- spatially consistent over an area in Central Europe. In addition, we propose a variant EnScale-t that enables temporally consistent downscaling. We establish a comprehensive evaluation framework across various categories including calibration, spatial structure, extremes, and multivariate dependencies. Comparison with diverse benchmarks demonstrates EnScale's strong performance and computational efficiency. EnScale offers a promising approach for accurate and temporally consistent RCM emulation.
• Abstract（参考訳）: 地球循環モデル(GCM)による将来の気候予測の実用化は、しばしば粗い空間分解能によって制限され、高分解能データを生成するためにダウンスケーリングを必要とする。 地域気候モデル(RCM)はこの改良を提供するが、計算コストが高い。 この問題に対処するため、機械学習モデルはダウンスケーリング関数を学習し、粗いGCM出力を高分解能場にマッピングする。 これらのうち、生成的アプローチは、粗大なGCMデータから得られたRCMデータの完全な条件分布を捉えることを目的としている。 本稿では,複数のGCMと対応するRCMデータをトレーニングすることで,全GCM-RCMマップをエミュレートする生成機械学習フレームワークであるEnScaleを紹介する。 まず、GCMと粗いRCMデータの大規模なミスマッチを調整し、続いて高分解能フィールドを生成する超解像ステップを発生させる。 どちらのステップも、適切なスコアリングルールであるエネルギースコアに最適化された生成モデルを採用する。 最先端のMLダウンスケーリング手法と比較して、我々のセットアップは計算コストを約1桁削減する。 EnScaleは、温度、降水量、太陽放射量、風などの複数の変数を、中央ヨーロッパの地域で共同でエミュレートしている。 さらに、時間的に一貫したダウンスケーリングを可能にする変種EnScale-tを提案する。 キャリブレーション,空間構造,極性,多変量依存など,さまざまなカテゴリにまたがる包括的評価フレームワークを構築した。 多様なベンチマークとの比較は、EnScaleの強力なパフォーマンスと計算効率を示している。 EnScaleは、正確で時間的に一貫したRCMエミュレーションに有望なアプローチを提供する。

関連論文リスト

• FedRAIN-Lite: Federated Reinforcement Algorithms for Improving Idealised Numerical Weather and Climate Models [0.5131152350448099]
  気候モデルにおけるサブグリッドパラメータ化は、伝統的に静的で、オフラインで調整される。 FedRAIN-Liteは一般的な循環モデルで使用される空間分解を反映するフレームワークである。 Deep Deterministic Policy Gradientは、静的と単一エージェントのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-19T23:54:13Z)
• Vision Transformers for Multi-Variable Climate Downscaling: Emulating Regional Climate Models with a Shared Encoder and Multi-Decoder Architecture [0.0]
  共有エンコーダと可変固有デコーダを用いたマルチタスク多変数ビジョントランス (ViT) アーキテクチャを提案する。 我々の多変量アプローチは、正のクロス変数な知識伝達を実現し、同一条件下で訓練された単変量ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-12T11:48:41Z)
• ACDC: Autoregressive Coherent Multimodal Generation using Diffusion Correction [55.03585818289934]
  自己回帰モデル(ARM)と拡散モデル(DM)は、生成モデルにおける2つの主要なパラダイムを表す。 拡散補正(Diffusion Correction: ACDC)を用いた自己回帰型コヒーレント多モード生成について紹介する。 ACDCは、追加の微調整を必要とせず、推論段階でARMとDMの両方の強度を組み合わせる。
  論文  参考訳（メタデータ） (2024-10-07T03:22:51Z)
• Clusterpath Gaussian Graphical Modeling [0.0]
  ガウス図形モデル(CGGM)のクラスタパス推定器について紹介する。 変数をまとめてグループ化すると、ブロック構造的精度行列が生成される。 我々はCGGMが一致しただけでなく、しばしばグラフィカルモデルにおける変数クラスタリングの他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-30T10:11:18Z)
• Transferability and explainability of deep learning emulators for regional climate model projections: Perspectives for future applications [0.4821250031784094]
  地域気候モデル (RCM) は、地域気候の変動と変化をシミュレートし、研究するための重要なツールである。 ディープラーニングモデルは、モデルをトレーニングするために短いRCMシミュレーションのみを必要とするコスト効率が高く、有望な代替手段として導入されている。 本稿では,文献(PPとMOS)における2つの異なるエミュレーション手法について考察する。 いずれの手法も、異なる期間とシナリオ(ソフトトランスファービリティ)でRCMの気候特性をエミュレートできるが、エミュレーション関数の一貫性はアプローチによって異なる。
  論文  参考訳（メタデータ） (2023-11-01T00:44:39Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
  本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。 提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2020-03-07T10:06:47Z)

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。