論文の概要: The Equilibrium Response of Atmospheric Machine-Learning Models to Uniform Sea Surface Temperature Warming

• arxiv url: http://arxiv.org/abs/2510.02415v1
• Date: Thu, 02 Oct 2025 13:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.097001
• Title: The Equilibrium Response of Atmospheric Machine-Learning Models to Uniform Sea Surface Temperature Warming
• Title（参考訳）: 均一表面温暖化に対する大気圧機械学習モデルの平衡応答
• Authors: Bosong Zhang, Timothy M. Merlis,
• Abstract要約: 機械学習モデルは、地球の気候の安定な複数年シミュレーションを生成することができる。 我々は, 海面温度の均一な上昇に対するいくつかの最先端MLモデルの気候応答を評価した。 我々の結果は、気候変動の応用におけるMLモデルの約束と現在の限界を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning models for the global atmosphere that are capable of producing stable, multi-year simulations of Earth's climate have recently been developed. However, the ability of these ML models to generalize beyond the training distribution remains an open question. In this study, we evaluate the climate response of several state-of-the-art ML models (ACE2-ERA5, NeuralGCM, and cBottle) to a uniform sea surface temperature warming, a widely used benchmark for evaluating climate change. We assess each ML model's performance relative to a physics-based general circulation model (GFDL's AM4) across key diagnostics, including surface air temperature, precipitation, temperature and wind profiles, and top-of-the-atmosphere radiation. While the ML models reproduce key aspects of the physical model response, particularly the response of precipitation, some exhibit notable departures from robust physical responses, including radiative responses and land region warming. Our results highlight the promise and current limitations of ML models for climate change applications and suggest that further improvements are needed for robust out-of-sample generalization.
• Abstract（参考訳）: 地球の気候の安定な複数年シミュレーションを作成できる地球大気の機械学習モデルが最近開発されている。 しかし、これらのMLモデルがトレーニング分布を超えて一般化できることは、未解決の問題である。 本研究では,高度MLモデル(ACE2-ERA5,NeuralGCM,cBottle)の均一な海面温暖化に対する気候応答の評価を行った。 本研究では,各MLモデルの性能を,表面空気温度,降水量,温度および風分布,大気上層放射といった重要な診断範囲で評価する。 MLモデルは物理モデル応答の重要な側面、特に降水反応を再現するが、放射応答や陸域の温暖化など、堅牢な物理応答から顕著な逸脱を示すものもある。 本結果は,気候変動アプリケーションにおけるMLモデルの約束と現在の限界を強調し,より堅牢なアウト・オブ・サンプル一般化のためにさらなる改善が必要であることを示唆している。

関連論文リスト

• mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations [0.29960386795689337]
  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。
  論文  参考訳（メタデータ） (2025-09-24T15:47:45Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• 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)
• Embedding machine-learnt sub-grid variability improves climate model biases [0.44998333629984877]
  雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。 高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。 制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
  論文  参考訳（メタデータ） (2024-06-13T19:35:58Z)
• 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)
• 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)
• 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)
• DiffESM: Conditional Emulation of Earth System Models with Diffusion Models [2.1989764549743476]
  地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。 拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
  論文  参考訳（メタデータ） (2023-04-23T17:12:33Z)
• Climate-Invariant Machine Learning [0.8831201550856289]
  現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。 最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。 我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:02:57Z)
• 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)

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。