論文の概要: Interactive Atmospheric Composition Emulation for Next-Generation Earth System Models

• arxiv url: http://arxiv.org/abs/2510.10654v1
• Date: Sun, 12 Oct 2025 15:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.051361
• Title: Interactive Atmospheric Composition Emulation for Next-Generation Earth System Models
• Title（参考訳）: 次世代地球モデルのための対話型大気組成エミュレーション
• Authors: Seyed Mohammad Hassan Erfani, Kara Lamb, Susanne Bauer, Kostas Tsigaridis, Marcus van Lier-Walqui, Gavin Schmidt,
• Abstract要約: 地球系モデル(ESM)のインタラクティブシミュレーションは、各段階ごとに多数のガスやエアロゾルを輸送するため、計算コストがかかる。 我々は、機械学習(ML)を使用してModelE NINTトレーサバージョンを拡張し、インタラクティブなエミッションをエミュレートするSmartINTを作成する。 Smart NINTは、気象データを入力としてMLを用いてインタラクティブに濃度を計算し、完全な物理パラメータ化を避ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive composition simulations in Earth System Models (ESMs) are computationally expensive as they transport numerous gaseous and aerosol tracers at each timestep. This limits higher-resolution transient climate simulations with current computational resources. ESMs like NASA GISS-ModelE3 (ModelE) often use pre-computed monthly-averaged atmospheric composition concentrations (Non-Interactive Tracers or NINT) to reduce computational costs. While NINT significantly cuts computations, it fails to capture real-time feedback between aerosols and other climate processes by relying on pre-calculated fields. We extended the ModelE NINT version using machine learning (ML) to create Smart NINT, which emulates interactive emissions. Smart NINT interactively calculates concentrations using ML with surface emissions and meteorological data as inputs, avoiding full physics parameterizations. Our approach utilizes a spatiotemporal architecture that possesses a well-matched inductive bias to effectively capture the spatial and temporal dependencies in tracer evolution. Input data processed through the first 20 vertical levels (from the surface up to 656 hPa) using the ModelE OMA scheme. This vertical range covers nearly the entire BCB concentration distribution in the troposphere, where significant variation on short time horizons due to surface-level emissions is observed. Our evaluation shows excellent model performance with R-squared values of 0.92 and Pearson-r of 0.96 at the first pressure level. This high performance continues through level 15 (808.5 hPa), then gradually decreases as BCB concentrations drop significantly. The model maintains acceptable performance even when tested on data from entirely different periods outside the training domain, which is a crucial capability for climate modeling applications requiring reliable long-term projections.
• Abstract（参考訳）: 地球系モデル(ESM)におけるインタラクティブな組成シミュレーションは、多くのガスやエアロゾルトレーサを各ステップで輸送するため、計算コストがかかる。 これにより、現在の計算資源による高分解能な過渡的な気候シミュレーションが制限される。 NASA GISS-ModelE3 (ModelE) のようなESMでは、計算コストの削減に月平均大気組成濃度(Non-Interactive Tracers または NINT)を使用することが多い。 NINTは計算を著しく削減するが、事前に計算されたフィールドに依存することでエアロゾルと他の気候プロセスの間のリアルタイムフィードバックをキャプチャできない。 我々は機械学習(ML)を用いてModelE NINTバージョンを拡張し、インタラクティブなエミッションをエミュレートするSmart NINTを開発した。 Smart NINTは、表面放射と気象データを入力としてMLを用いてインタラクティブに濃度を計算し、完全な物理パラメータ化を避ける。 提案手法は、トレーサ進化における空間的および時間的依存関係を効果的に捉えるために、よく整合した帰納バイアスを有する時空間的アーキテクチャを用いる。 入力データは、ModelE OMAスキームを使用して、最初の20の垂直レベル(表面から656 hPaまで)で処理された。 この垂直範囲は、対流圏のBCB濃度分布のほぼ全域をカバーしており、表面レベルの放射による短い時間地平線の顕著な変動が観測されている。 評価の結果,R2乗値0.92,Pearson-r0.96,Pearson-r1のモデル性能が良好であった。 この高い性能はレベル15(808.5hPa)を通して継続し、BCB濃度が著しく低下するにつれて徐々に低下する。 このモデルは、訓練領域外の全く異なる期間のデータでテストしても許容できる性能を維持しており、これは信頼できる長期予測を必要とする気候モデリングアプリケーションにとって重要な機能である。

関連論文リスト

• CAM-NET: An AI Model for Whole Atmosphere with Thermosphere and Ionosphere Extension [0.5256237513030104]
  我々は,地球表面から電離層への中性大気変数の予測を目的としたAIモデルであるCAM-NETを提案する。 このモデルは、帯状風や乾燥風、温度、圧力の時間といった重要な大気パラメータを効果的に予測する。
  論文  参考訳（メタデータ） (2025-06-24T06:07:28Z)
• Temporal Graph MLP Mixer for Spatio-Temporal Forecasting [1.5696662871407674]
  T-GMM (Temporal Graph-Mixer) は、データ不足に対処するために設計されたアーキテクチャである。 モデルはノードレベルの処理とサブグラフエンコーディングを組み合わせて、局所化された空間依存をキャプチャする。 AQI、ENGRAD、PV-US、METR-LAデータセットの実験では、大きな欠落したデータが存在する場合でも、モデルが効果的に予測できることが示されている。
  論文  参考訳（メタデータ） (2025-01-17T14:13:48Z)
• 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)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• 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)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。