論文の概要: Large-Ensemble Simulations Reveal Links Between Atmospheric Blocking Frequency and Sea Surface Temperature Variability
- arxiv url: http://arxiv.org/abs/2602.05083v1
- Date: Wed, 04 Feb 2026 22:08:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.640145
- Title: Large-Ensemble Simulations Reveal Links Between Atmospheric Blocking Frequency and Sea Surface Temperature Variability
- Title（参考訳）: 大アンサンブルシミュレーションによる大気遮断周波数と海面温度変動の関連性の検討
- Authors: Zilu Meng, Gregory J. Hakim, Wenchang Yang, Gabriel A. Vecchi,
- Abstract要約: 大気の遮蔽現象は、中緯度で持続的な気象の極端を誘導する。
SST変動はブロッキング周波数に有意かつ物理的に解釈可能な影響を及ぼす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Atmospheric blocking events drive persistent weather extremes in midlatitudes, but isolating the influence of sea surface temperature (SST) from chaotic internal atmospheric variability on these events remains a challenge. We address this challenge using century-long (1900-2010), large-ensemble simulations with two computationally efficient deep-learning general circulation models. We find these models skillfully reproduce the observed blocking climatology, matching or exceeding the performance of a traditional high-resolution model and representative CMIP6 models. Averaging the large ensembles filters internal atmospheric noise to isolate the SST-forced component of blocking variability, yielding substantially higher correlations with reanalysis than for individual ensemble members. We identify robust teleconnections linking Greenland blocking frequency to North Atlantic SST and El Niño-like patterns. Furthermore, SST-forced trends in blocking frequency show a consistent decline in winter over Greenland, and an increase over Europe. These results demonstrate that SST variability exerts a significant and physically interpretable influence on blocking frequency and establishes large ensembles from deep learning models as a powerful tool for separating forced SST signals from internal noise.
- Abstract（参考訳）: 大気のブロッキング現象は中緯度で持続的な気象極度を惹起するが、これらの事象に対するカオス的な内部の大気変動から海面温度(SST)の影響を分離することは依然として困難である。
計算効率のよい2つのディープラーニング一般循環モデルを用いた1世紀長(1900-2010)大アンサンブルシミュレーションを用いて,この問題に対処する。
これらのモデルは、従来の高分解能モデルと代表CMIP6モデルの性能を一致または超えた、観測されたブロッキング気候学を巧みに再現する。
大きなアンサンブルを平均すると、内部の大気ノイズをフィルタしてブロック変動のSST強化成分を分離し、個々のアンサンブル部材よりもかなり高い相関関係が得られる。
我々はグリーンランドブロック周波数を北大西洋SSTおよびエルニーニョ様パターンにリンクする堅牢な遠隔接続を同定した。
さらに, ブロック周波数のSSTによる傾向は, グリーンランドの冬は一貫して減少し, ヨーロッパでは増加傾向にある。
これらの結果から,SSTの可変性はブロッキング周波数に有意かつ物理的に解釈可能な影響を与え,内部雑音から強制SST信号を分離するための強力なツールとして,ディープラーニングモデルからの大きなアンサンブルを確立することが示唆された。
関連論文リスト
- Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics [0.16206783799607727]
氷融解と淡水分布の因果関係の定量化が重要である。
本研究では,海氷厚とSSHの因果メカニズムを定量化するために,知識誘導変分オートエンコーダ(KGCM-VAE)を提案する。
KGCM-VAEが最先端のベンチマークよりPEHEより優れていることを示す。
論文 参考訳（メタデータ） (2026-01-25T01:44:55Z) - Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting [9.604302577187788]
S2S予測は農業計画、エネルギー管理、災害対策にとって重要なフロンティアである。
現在のアプローチでは、S2Sの時間スケールにおいて重要な物理プロセスとテレコネクションを明示的にモデル化することができないことが多い。
textbfTelePiTは,マルチスケール物理とテレコネクション認識を統合してグローバルなS2S予測を強化する,新しいディープラーニングアーキテクチャである。
論文 参考訳（メタデータ） (2025-06-08T16:32:21Z) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia [3.1789338656073305]
本稿では、ウェーブレット変換とニューラル階層型時系列補間を組み合わせた新しいモデルWaveHiTSを提案する。
提案手法は風向をU-V成分に分解し,ウェーブレット変換を用いてマルチスケールの周波数パターンを捕捉し,階層構造を用いて時間依存性をモデル化する。
中国内モンゴルからの実世界気象データを用いて行った実験では、WaveHiTSがディープラーニングモデルを大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2025-04-09T02:15:48Z) - ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
天気予報の基礎モデルであるClimateLLMを提案する。
時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。
周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
論文 参考訳（メタデータ） (2025-02-16T09:57:50Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - 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) - 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。