論文の概要: Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts
- arxiv url: http://arxiv.org/abs/2603.23043v1
- Date: Tue, 24 Mar 2026 10:29:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.431733
- Title: Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts
- Title（参考訳）: 非アナログ分布変化下における気候基礎モデルのロバスト性評価
- Authors: Maria Conchita Agana Navarro, Geng Li, Theo Wolf, Maria Perez-Ortiz,
- Abstract要約: アナログのない」将来の気候状態は、歴史的トレーニングデータの実証範囲外の条件に、外部の強制がシステムを駆動する体制である。
我々は、U-Net、ConvLSTM、ClimaXファンデーションモデルという3つの最先端アーキテクチャの堅牢性を評価する。
- 参考スコア（独自算出の注目度）: 2.4329932351753114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accelerating pace of climate change introduces profound non-stationarities that challenge the ability of Machine Learning based climate emulators to generalize beyond their training distributions. While these emulators offer computationally efficient alternatives to traditional Earth System Models, their reliability remains a potential bottleneck under "no-analog" future climate states, which we define here as regimes where external forcing drives the system into conditions outside the empirical range of the historical training data. A fundamental challenge in evaluating this reliability is data contamination; because many models are trained on simulations that already encompass future scenarios, true out-of-distribution (OOD) performance is often masked. To address this, we benchmark the OOD robustness of three state-of-the-art architectures: U-Net, ConvLSTM, and the ClimaX foundation model specifically restricted to a historical-only training regime (1850-2014). We evaluate these models using two complementary strategies: (i) temporal extrapolation to the recent climate (2015-2023) and (ii) cross-scenario forcing shifts across divergent emission pathways. Our analysis within this experimental setup reveals an accuracy vs. stability trade-off: while the ClimaX foundation model achieves the lowest absolute error, it exhibits higher relative performance changes under distribution shifts, with precipitation errors increasing by up to 8.44% under extreme forcing scenarios. These findings suggest that when restricted to historical training dynamics, even high-capacity foundation models are sensitive to external forcing trajectories. Our results underscore the necessity of scenario-aware training and rigorous OOD evaluation protocols to ensure the robustness of climate emulators under a changing climate.
- Abstract（参考訳）: 気候変動の加速ペースは、機械学習ベースの気候エミュレータがトレーニング分布を超えて一般化する能力に挑戦する、深い非定常性をもたらす。
これらのエミュレータは従来の地球系モデルに匹敵する計算効率の良い代替手段を提供するが、その信頼性は将来の「アナログなし」気候下では潜在的なボトルネックであり、ここでは、歴史的訓練データの実証範囲外の条件に外部の強制がシステムを駆動する体制と定義する。
多くのモデルは、既に将来のシナリオを含むシミュレーションで訓練されているため、真のアウト・オブ・ディストリビューション(OOD)のパフォーマンスは、しばしば隠蔽される。
これを解決するために,U-Net,ConvLSTM,ClimaXの基礎モデルという3つの最先端アーキテクチャのOODロバスト性をベンチマークした(1850-2014)。
これらのモデルを2つの相補的戦略を用いて評価する。
(i)最近の気候(2015-2023)及び時間外挿
(II)異種排出経路を横断する越境強制強制移動。
ClimaXファンデーションモデルは最低絶対誤差を達成できるが, 分布シフト下では相対的な性能変化を示し, 極端な強制シナリオ下では降水誤差が最大8.44%増加する。
これらの結果は, 歴史的訓練力学に制限された場合, 高容量基礎モデルでさえ外部強制軌道に敏感であることが示唆された。
本研究は,気候変動環境下での環境エミュレータの堅牢性を確保するため,シナリオアウェアトレーニングと厳密なOOD評価プロトコルの必要性を強調した。
関連論文リスト
- High-Resolution Climate Projections Using Diffusion-Based Downscaling of a Lightweight Climate Emulator [1.9367648935513015]
深層学習に基づくダウンスケーリングフレームワークを導入し,28kmの解像度で気候モデルを生成する。
これらのモデルは2000年から2009年までの約14,000のERA5タイムステップで訓練され、2010年から2020年までのLUCIE予測に基づいて評価された。
提案手法は,28kmの分解能で微細な気候統計を発生させながら,LUCIEからの粗粒度動態を保存できることが観察された。
論文 参考訳（メタデータ） (2026-02-13T19:36:46Z) - Toward generative machine learning for boosting ensembles of climate simulations [0.0]
気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。
cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
論文 参考訳（メタデータ） (2026-02-06T00:54:19Z) - Do machine learning climate models work in changing climate dynamics? [3.912757881247533]
本研究は,様々なアウト・オブ・ディストリビューション(OOD)シナリオにおいて,最先端のMLベースの気候モデルを体系的に評価する。
大規模なデータセットの実験では、シナリオ間での顕著なパフォーマンスのばらつきが示され、現在のモデルの強度と限界に光を当てている。
論文 参考訳（メタデータ） (2025-09-15T17:12:49Z) - TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State [23.8714341737652]
正確なサブシーズン・ツー・シーソン(S2S)予測は農業、エネルギー生産、緊急管理において決定に不可欠である。
近年のデータ駆動型研究は有望な結果を示しているが、その性能は気候状態の不十分な取り込みとモデル劣化傾向によって制限されている。
本研究では,気象予報モデルであるTianQuan-S2Sを提案する。
論文 参考訳（メタデータ） (2025-04-14T07:02:34Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - 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) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - 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)
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。