論文の概要: Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region

• arxiv url: http://arxiv.org/abs/2511.03770v1
• Date: Wed, 05 Nov 2025 17:08:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.176449
• Title: Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region
• Title（参考訳）: 北欧における予測気温極端の気候リスク評価のための深層学習型ダウンスケーリング
• Authors: Parthiban Loganathan, Elias Zea, Ricardo Vinuesa, Evelyn Otero,
• Abstract要約: 北ヨーロッパのコッペン・ガイガー地域における急激な変化と気候変動の増加は、適応のための重要なニーズを生み出している。 本研究では,Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), Spatiotemporal Transformer with Attention and Im Balance-Aware Network (GeoStaNet)モデルを組み込んだ統合ダウンスケーリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.7957889222222208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid changes and increasing climatic variability across the widely varied Koppen-Geiger regions of northern Europe generate significant needs for adaptation. Regional planning needs high-resolution projected temperatures. This work presents an integrative downscaling framework that incorporates Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), and Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoStaNet) models. The framework is evaluated with a multicriteria decision system, Deep Learning-TOPSIS (DL-TOPSIS), for ten strategically chosen meteorological stations encompassing the temperate oceanic (Cfb), subpolar oceanic (Cfc), warm-summer continental (Dfb), and subarctic (Dfc) climate regions. Norwegian Earth System Model (NorESM2-LM) Coupled Model Intercomparison Project Phase 6 (CMIP6) outputs were bias-corrected during the 1951-2014 period and subsequently validated against earlier observations of day-to-day temperature metrics and diurnal range statistics. The ViT showed improved performance (Root Mean Squared Error (RMSE): 1.01 degrees C; R^2: 0.92), allowing for production of credible downscaled projections. Under the SSP5-8.5 scenario, the Dfc and Dfb climate zones are projected to warm by 4.8 degrees C and 3.9 degrees C, respectively, by 2100, with expansion in the diurnal temperature range by more than 1.5 degrees C. The Time of Emergence signal first appears in subarctic winter seasons (Dfc: approximately 2032), signifying an urgent need for adaptation measures. The presented framework offers station-based, high-resolution estimates of uncertainties and extremes, with direct uses for adaptation policy over high-latitude regions with fast environmental change.
• Abstract（参考訳）: 北ヨーロッパの広範囲に分布するコッペン・ガイガー地域における急激な変化と気候変動の増加は、適応のための重要なニーズを生み出している。 地域計画には高解像度の予測温度が必要である。 本研究では、Vision Transformer (ViT)、Convolutional Long Short-Term Memory (ConvLSTM)、Geospatial Spatiotemporal Transformer with Attention and Im Balance-Aware Network (GeoStaNet)モデルを組み込んだ統合的なダウンスケーリングフレームワークを提案する。 この枠組みは, 温帯海洋性(Cfb), 亜極性海洋性(Cfc), 暖帯大陸性(Dfb), 亜寒帯気候性(Dfc)を含む, 戦略的に選択された10の気象観測所について, 多条件決定システムであるDeep Learning-TOPSIS (DL-TOPSIS)を用いて評価した。 ノルウェー地球系モデル (NorESM2-LM) 結合モデル相互比較プロジェクトフェーズ6 (CMIP6) の出力は1951-2014年にバイアス補正され、その後、日々の温度測定値と日中距離統計の早期観測に対して検証された。 ViTは性能を向上した(Root Mean Squared Error (RMSE):1.01°C、R^2: 0.92)。 SSP5-8.5のシナリオでは、DfcとDfbの気候帯は、それぞれ4.8度Cと3.9度Cで、日中の温度範囲は1.5度C以上と予測されている。 提案フレームワークは, 環境変化の速い高緯度地域への適応政策を直接利用し, 不確実性と極度の局面に基づく高分解能推定を行う。

関連論文リスト

• Climate Knowledge in Large Language Models [0.0]
  本研究では,大規模言語モデルが外部検索なしで気候正常を想起する能力について検討した。 我々は,1deg解像度のランドポイントでクエリのグローバルグリッドを構築し,座標と位置記述子を提供し,ERA5の再解析に対する応答を検証する。 その結果, LLM は非自明な気候構造を符号化し, 3-6 degC のルート平均二乗誤差と$pm$1 degC のバイアスを観測した。 地理的コンテキストを含むとエラーが平均で27%減少し、より大きなモデルは位置記述子に最も敏感であることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T10:25:36Z)
• Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation [5.5253906228458955]
  GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。 R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。 その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T18:05:43Z)
• Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones [0.8437187555622164]
  本研究は、深層学習に基づくマルチモデル評価およびダウンスケーリングフレームワークで、結合モデル相互比較プロジェクトフェーズ6(CMIP6)モデルランキング32を提示する。 熱帯・乾燥・温帯・大陸・極圏の気候帯は4季節にわたって調査されている。 4つのモデルは、上位のGCMを0.1$circ$の解像度にダウンスケールするのに貢献する。
  論文  参考訳（メタデータ） (2025-02-27T14:27:09Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。 現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。