論文の概要: AI-boosted rare event sampling to characterize extreme weather
- arxiv url: http://arxiv.org/abs/2510.27066v1
- Date: Fri, 31 Oct 2025 00:33:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 17:52:15.942177
- Title: AI-boosted rare event sampling to characterize extreme weather
- Title（参考訳）: 異常気象を特徴付けるAIによるレアイベントサンプリング
- Authors: Amaury Lancelin, Alex Wikner, Laurent Dubus, Clément Le Priol, Dorian S. Abbot, Freddy Bouchet, Pedram Hassanzadeh, Jonathan Weare,
- Abstract要約: 我々は、AI気象エミュレータのアンサンブル予測をスコア関数として利用して、地球規模の気候モデルの高度に効率的な再サンプリングを導出するAI+RESを開発した。
我々は,何日も前に予測スキルを持つスコア関数を必要とする挑戦的なテストケースである,中緯度熱波上でAI+RESを実証する。
- 参考スコア（独自算出の注目度）: 2.107969466194361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessing the frequency and intensity of extreme weather events, and understanding how climate change affects them, is crucial for developing effective adaptation and mitigation strategies. However, observational datasets are too short and physics-based global climate models (GCMs) are too computationally expensive to obtain robust statistics for the rarest, yet most impactful, extreme events. AI-based emulators have shown promise for predictions at weather and even climate timescales, but they struggle on extreme events with few or no examples in their training dataset. Rare event sampling (RES) algorithms have previously demonstrated success for some extreme events, but their performance depends critically on a hard-to-identify "score function", which guides efficient sampling by a GCM. Here, we develop a novel algorithm, AI+RES, which uses ensemble forecasts of an AI weather emulator as the score function to guide highly efficient resampling of the GCM and generate robust (physics-based) extreme weather statistics and associated dynamics at 30-300x lower cost. We demonstrate AI+RES on mid-latitude heatwaves, a challenging test case requiring a score function with predictive skill many days in advance. AI+RES, which synergistically integrates AI, RES, and GCMs, offers a powerful, scalable tool for studying extreme events in climate science, as well as other disciplines in science and engineering where rare events and AI emulators are active areas of research.
- Abstract（参考訳）: 極端な気象事象の頻度と強度を評価し、気候変動がそれらにどのように影響するかを理解することは、効果的な適応と緩和戦略の開発に不可欠である。
しかし、観測データセットは短すぎるため、物理に基づく地球規模の気候モデル(GCM)は計算に高価すぎるため、最も稀だが最も影響の大きい極端な事象の統計値を得ることができない。
AIベースのエミュレータは、天気や気候の時間スケールの予測を約束しているが、トレーニングデータセットにはほとんど、あるいは全く例のない極端なイベントに苦戦している。
希少事象サンプリング(RES)アルゴリズムは、これまでいくつかの極端な事象に対して成功を証明してきたが、その性能は、GCMによる効率的なサンプリングを導く難易度の高い「スコア関数」に依存している。
そこで我々は,AI気象エミュレータのアンサンブル予測をスコア関数として用いて,GCMの高効率な再サンプリングを誘導し,ロバストな(物理に基づく)極端気象統計と関連するダイナミクスを30～300倍の低コストで生成するアルゴリズム,AI+RESを開発した。
我々は,何日も前に予測スキルを持つスコア関数を必要とする挑戦的なテストケースである,中緯度熱波上でAI+RESを実証する。
AI、RES、GCMを相乗的に統合するAI+RESは、気候科学における極端な事象を研究するための強力でスケーラブルなツールと、希少な事象やAIエミュレータが研究の活発な領域である科学と工学の他の分野を提供する。
関連論文リスト
- Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings [11.259108118025736]
急激な成層圏温暖化(SSWs)は、季節的な予測可能性の主要な源であり、極端な冬の天候の要因である。
本稿では,フローマッチングに基づく生成AIモデル(FM-Cast)を開発した。
FM-Castは10イベントの開始、強度、形態を20日前に正確に予測し、50%以上のアンサンブル精度を達成する。
論文 参考訳（メタデータ） (2025-10-30T11:16:22Z) - xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。
xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。
我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
論文 参考訳（メタデータ） (2025-10-23T15:24:45Z) - Numerical models outperform AI weather forecasts of record-breaking extremes [0.18749305679160366]
記録破りの気象極端の場合、数値モデルHigh Resolution予測は依然として最先端のAIモデルを上回っていることを示す。
AIモデルの予測誤差は、ほぼすべてのリードタイムにおけるHRESよりも、記録破りの暑さ、寒さ、風速に対して一貫して大きいことを実証する。
論文 参考訳（メタデータ） (2025-08-21T17:07:16Z) - 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) - Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。
最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。
本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2024-06-13T07:46:03Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - 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) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳（メタデータ） (2021-03-17T16:10:06Z) - 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。