論文の概要: Spatiotemporal Pyramid Flow Matching for Climate Emulation

• arxiv url: http://arxiv.org/abs/2512.02268v1
• Date: Mon, 01 Dec 2025 23:20:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.645938
• Title: Spatiotemporal Pyramid Flow Matching for Climate Emulation
• Title（参考訳）: 気候エミュレーションのための時空間ピラミッド流マッチング
• Authors: Jeremy Andrew Irvin, Jiaqi Han, Zikui Wang, Abdulaziz Alharbi, Yufei Zhao, Nomin-Erdene Bayarsaikhan, Daniele Visioni, Andrew Y. Ng, Duncan Watson-Parris,
• Abstract要約: 生成モデルは、地球の変化する気候をエミュレートする方法を変える可能性がある。 以前の生成的アプローチは、気候エミュレーションのための気象スケールの自己回帰に依存していた。 SPFは空間的および時間的スケールでデータを階層的にモデル化する新しいタイプのマッチングアプローチである。
• 参考スコア（独自算出の注目度）: 12.682343033641137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have the potential to transform the way we emulate Earth's changing climate. Previous generative approaches rely on weather-scale autoregression for climate emulation, but this is inherently slow for long climate horizons and has yet to demonstrate stable rollouts under nonstationary forcings. Here, we introduce Spatiotemporal Pyramid Flows (SPF), a new class of flow matching approaches that model data hierarchically across spatial and temporal scales. Inspired by cascaded video models, SPF partitions the generative trajectory into a spatiotemporal pyramid, progressively increasing spatial resolution to reduce computation and coupling each stage with an associated timescale to enable direct sampling at any temporal level in the pyramid. This design, together with conditioning each stage on prescribed physical forcings (e.g., greenhouse gases or aerosols), enables efficient, parallel climate emulation at multiple timescales. On ClimateBench, SPF outperforms strong flow matching baselines and pre-trained models at yearly and monthly timescales while offering fast sampling, especially at coarser temporal levels. To scale SPF, we curate ClimateSuite, the largest collection of Earth system simulations to date, comprising over 33,000 simulation-years across ten climate models and the first dataset to include simulations of climate interventions. We find that the scaled SPF model demonstrates good generalization to held-out scenarios across climate models. Together, SPF and ClimateSuite provide a foundation for accurate, efficient, probabilistic climate emulation across temporal scales and realistic future scenarios. Data and code is publicly available at https://github.com/stanfordmlgroup/spf .
• Abstract（参考訳）: 生成モデルは、地球の変化する気候をエミュレートする方法を変える可能性がある。 以前の生成的アプローチは気候のエミュレーションに気候スケールの自己回帰に依存していたが、これは本質的に長い気候の地平線では遅く、非定常的な強制の下での安定したロールアウトをまだ示していない。 本稿では空間的・時間的スケールでデータを階層的にモデル化する新しいフローマッチング手法である時空間ピラミッドフロー(SPF)を紹介する。 カスケードビデオモデルにインスパイアされたSPFは、生成軌道を時空間ピラミッドに分割し、空間分解能を徐々に増加させ、計算を減少させ、各ステージを関連する時間スケールと結合させ、ピラミッド内の任意の時間レベルの直接サンプリングを可能にする。 この設計は、所定の物理強制力(例えば温室効果ガスやエアロゾル)に各ステージを条件付けすることで、複数の時間スケールで効率よく並列な気候エミュレーションを可能にする。 ClimateBenchでは、SPFは、特に粗い時間レベルにおいて、高速サンプリングを提供しながら、年間および月毎の時間スケールで、強力なフローマッチングベースラインと事前訓練されたモデルを上回っている。 SPFをスケールするために、これまでで最大の地球系シミュレーションコレクションであるClimateSuiteをキュレートし、10つの気候モデルにわたる33,000以上のシミュレーション年と、気候介入のシミュレーションを含む最初のデータセットを作成した。 スケールされたSPFモデルは,気候モデル全体にわたる保留シナリオに対して良好な一般化を示す。 SPFとClimateSuiteは、時間スケールと現実的な将来のシナリオにわたる正確で効率的で確率的な気候エミュレーションの基礎を提供する。 データとコードはhttps://github.com/stanfordmlgroup/spf で公開されている。

関連論文リスト

• 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)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• 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。