論文の概要: Learning a Stochastic Differential Equation Model of Tropical Cyclone Intensification from Reanalysis and Observational Data

• arxiv url: http://arxiv.org/abs/2601.08116v1
• Date: Tue, 13 Jan 2026 01:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.000093
• Title: Learning a Stochastic Differential Equation Model of Tropical Cyclone Intensification from Reanalysis and Observational Data
• Title（参考訳）: 再解析と観測データを用いた熱帯サイクロン強度の確率微分方程式モデルの学習
• Authors: Kenneth Gee, Sai Ravela,
• Abstract要約: 熱帯のサイクロンは危険な自然災害であるが、データセットのサイズや品質の制限により、過去のデータセットから直接定量化することは困難である。 サイクロンの強化モデルは、嵐の大規模環境の推定に基づいて、合成ハリケーンの巨大なアンサンブルをシミュレートすることで、このデータギャップを埋める。 この結果から,複雑な土系力学の解釈可能な物理モデルが,自動システム同定技術を用いて学習できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tropical cyclones are dangerous natural hazards, but their hazard is challenging to quantify directly from historical datasets due to limited dataset size and quality. Models of cyclone intensification fill this data gap by simulating huge ensembles of synthetic hurricanes based on estimates of the storm's large scale environment. Both physics-based and statistical/ML intensification models have been developed to tackle this problem, but an open question is: can a physically reasonable and simple physics-style differential equation model of intensification be learned from data? In this paper, we answer this question in the affirmative by presenting a 10-term cubic stochastic differential equation model of Tropical Cyclone intensification. The model depends on a well-vetted suite of engineered environmental features known to drive intensification and is trained using a high quality dataset of hurricane intensity (IBTrACS) with estimates of the cyclone's large scale environment from a data-assimilated simulation (ERA5 reanalysis), restricted to the Northern Hemisphere. The model generates synthetic intensity series which capture many aspects of historical intensification statistics and hazard estimates in the Northern Hemisphere. Our results show promise that interpretable, physics style models of complex earth system dynamics can be learned using automated system identification techniques.
• Abstract（参考訳）: 熱帯のサイクロンは危険な自然災害であるが、その危険性はデータセットのサイズや品質に制限があるため、過去のデータセットから直接定量化することは困難である。 サイクロンの強化モデルは、嵐の大規模環境の推定に基づいて、合成ハリケーンの巨大なアンサンブルをシミュレートすることで、このデータギャップを埋める。 物理ベースおよび統計/MLインテンシフィケーションモデルもこの問題に対処するために開発されたが、オープンな疑問は、物理的に合理的で単純な物理スタイルのインテンシフィケーションの微分方程式モデルがデータから学べるかである。 本稿では,熱帯サイクロン強度の10分間の立方体確率微分方程式モデルを提示することにより,この問題を肯定的に答える。 このモデルは、強化を駆動することで知られる、十分に検証された環境特徴セットに依存しており、北半球に制限されたデータ同化シミュレーション(ERA5再解析)から、サイクロンの大規模環境を推定した高品質のハリケーン強度データセット(IBTrACS)を用いて訓練されている。 このモデルは、北半球の歴史的強度統計とハザード推定の多くの側面を捉えた合成強度系列を生成する。 この結果から,複雑な土系力学の解釈可能な物理モデルが,自動システム同定技術を用いて学習できることが示唆された。

関連論文リスト

• Physics-Informed Residual Neural Ordinary Differential Equations for Enhanced Tropical Cyclone Intensity Forecasting [10.68223611630852]
  本研究では,熱帯性サイクロンの強度変化を正確に予測するための物理インフォームド残差正規微分方程式モデルを提案する。 PIR-NODEモデルは,従来の統計モデルやベンチマークディープラーニング手法と比較して,24時間強度予測精度を大幅に向上させる。 本研究では、PIR-NODEモデルアーキテクチャ、物理インフォームド統合戦略、総合的な実験的検証について詳述する。
  論文  参考訳（メタデータ） (2025-03-09T04:23:07Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• 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)
• HurriCast: Synthetic Tropical Cyclone Track Generation for Hurricane Forecasting [5.314981748001983]
  リスクアセスメントのための合成熱帯サイクロン(TC)トラックの生成は、特に北米における気候変動と災害救済の影響に対する準備の重要応用である。 政府や政策立案者にとって、TCの潜在的な影響を理解することは、効果的な緊急対応戦略の開発、コードの構築の更新、レジリエンスと緩和プロジェクトへの投資の優先順位付けに役立つ。 ARIMA と K-MEANS の手法と Autoencoder を併用したハイブリッド手法は,より歴史あるTC の挙動を把握し,将来の軌道や強度を計画するために用いられている。
  論文  参考訳（メタデータ） (2023-09-12T19:48:52Z)
• FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures Emulation [13.745581787463962]
  本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。 本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。 この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
  論文  参考訳（メタデータ） (2023-07-14T08:43:36Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)

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。