論文の概要: Assessing the Geographic Generalization and Physical Consistency of Generative Models for Climate Downscaling

• arxiv url: http://arxiv.org/abs/2510.13722v1
• Date: Wed, 15 Oct 2025 16:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.760355
• Title: Assessing the Geographic Generalization and Physical Consistency of Generative Models for Climate Downscaling
• Title（参考訳）: 気候ダウンスケーリングのための生成モデルの地理的一般化と物理的整合性の評価
• Authors: Carlo Saccardi, Maximilian Pierzyna, Haitz Sáez de Ocáriz Borde, Simone Monaco, Cristian Meo, Pietro Liò, Rudolf Saathof, Geethu Joseph, Justin Dauwels,
• Abstract要約: 本稿では,最近の最先端ディープラーニングモデルをベンチマークし,その性能と信頼性を評価するために物理に着想を得た診断手法を提案する。 実験の結果,CorrDiffのようなモデルの性能は高いように見えるが,他の領域への一般化に苦慮していることがわかった。 本稿では、地理的一般化を実証的に改善するパワースペクトル密度損失関数を導入するという単純な初期解を提案する。
• 参考スコア（独自算出の注目度）: 27.84845524112328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kilometer-scale weather data is crucial for real-world applications but remains computationally intensive to produce using traditional weather simulations. An emerging solution is to use deep learning models, which offer a faster alternative for climate downscaling. However, their reliability is still in question, as they are often evaluated using standard machine learning metrics rather than insights from atmospheric and weather physics. This paper benchmarks recent state-of-the-art deep learning models and introduces physics-inspired diagnostics to evaluate their performance and reliability, with a particular focus on geographic generalization and physical consistency. Our experiments show that, despite the seemingly strong performance of models such as CorrDiff, when trained on a limited set of European geographies (e.g., central Europe), they struggle to generalize to other regions such as Iberia, Morocco in the south, or Scandinavia in the north. They also fail to accurately capture second-order variables such as divergence and vorticity derived from predicted velocity fields. These deficiencies appear even in in-distribution geographies, indicating challenges in producing physically consistent predictions. We propose a simple initial solution: introducing a power spectral density loss function that empirically improves geographic generalization by encouraging the reconstruction of small-scale physical structures. The code for reproducing the experimental results can be found at https://github.com/CarloSaccardi/PSD-Downscaling
• Abstract（参考訳）: キロメータースケールの気象データは、現実の応用には不可欠であるが、従来の気象シミュレーションを用いて計算集約的に生産されている。 新たなソリューションは、より高速な気候下降代替手段を提供するディープラーニングモデルを使用することだ。 しかしながら、それらの信頼性は、大気物理学や気象物理学の知見よりも、標準的な機械学習メトリクスを用いて評価されることがしばしばあるため、依然として疑問視されている。 本稿では、最近の最先端ディープラーニングモデルをベンチマークし、物理に着想を得た診断を導入し、その性能と信頼性を評価し、特に地理的一般化と物理的整合性に注目した。 実験の結果、CorrDiffのような、ヨーロッパの限られた地域(中央ヨーロッパなど)で訓練されたモデルでは、南のイベリア、モロッコ、北のスカンジナビアといった他の地域への一般化に苦慮していることがわかった。 また、予測速度場から導かれる発散や渦といった二階変数を正確に捕捉することができない。 これらの欠陥は分布しない地形にも現れ、物理的に一貫した予測を生み出す上での課題を示している。 そこで本研究では,小規模な物理構造の再構築を奨励することで,地理的一般化を実証的に改善するパワースペクトル密度損失関数を提案する。 実験結果を再現するコードはhttps://github.com/CarloSaccardi/PSD-Downscalingで見ることができる。

関連論文リスト

• Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
  本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。 このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。 以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-05-30T10:10:40Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Advancing Marine Heatwave Forecasts: An Integrated Deep Learning Approach [3.8713566366330325]
  極端気候現象熱波(MHW)は海洋生態系や産業に重大な課題をもたらす。 本研究では,世界規模での短期的・長期的MHW予測のための統合型ディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T06:11:52Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
  現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。 不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。 我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。