論文の概要: IPSL-AID: Generative Diffusion Models for Climate Downscaling from Global to Regional Scales

• arxiv url: http://arxiv.org/abs/2604.03275v1
• Date: Mon, 23 Mar 2026 14:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.580566
• Title: IPSL-AID: Generative Diffusion Models for Climate Downscaling from Global to Regional Scales
• Title（参考訳）: IPSL-AID:世界規模から地域規模への気候ダウンスケーリングのための生成拡散モデル
• Authors: Kishanthan Kingston, Olivier Boucher, Freddy Bouchet, Pierre Chapel, Rosemary Eade, Jean-Francois Lamarque, Redouane Lguensat, Kazem Ardaneh,
• Abstract要約: IPSL-AIDは,拡散確率モデルに基づくグローバルから地域的なダウンスケーリングツールである。 粗い入力と時間的文脈を用いて、気温、風、降水に対する0.25度の分解能場を生成する。 極端事象、パワースペクトル、空間構造などの統計分布を正確に再構成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective adaptation and mitigation strategies for climate change require high-resolution projections to inform strategic decision-making. Conventional global climate models, which typically operate at resolutions of 150 to 200 kilometers, lack the capacity to represent essential regional processes. IPSL-AID is a global to regional downscaling tool based on a denoising diffusion probabilistic model designed to address this limitation. Trained on ERA5 reanalysis data, it generates 0.25 degree resolution fields for temperature, wind, and precipitation using coarse inputs and their spatiotemporal context. It also models probability distributions of fine-scale features to produce plausible scenarios for uncertainty quantification. The model accurately reconstructs statistical distributions, including extreme events, power spectra, and spatial structures. This work highlights the potential of generative diffusion models for efficient climate downscaling with uncertainty
• Abstract（参考訳）: 気候変動に対する効果的な適応と緩和戦略は、戦略的意思決定を知らせるために高解像度の予測を必要とする。 従来の温暖化モデルは、通常150から200kmの解像度で運用されるが、重要な地域プロセスを表現する能力は欠如している。 IPSL-AIDは、この制限に対処するために設計された拡散確率モデルに基づく、グローバルから地域的なダウンスケーリングツールである。 ERA5の再解析データに基づいて、粗い入力と時空間を用いて温度、風、降水に対する0.25度の分解能場を生成する。 また、精密な特徴の確率分布をモデル化し、不確実性定量化のための妥当なシナリオを生成する。 このモデルは、極端な事象、パワースペクトル、空間構造を含む統計的分布を正確に再構成する。 この研究は、不確実性を伴う効率的な気候下降のための生成拡散モデルの可能性を強調する。

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)
• China Regional 3km Downscaling Based on Residual Corrective Diffusion Model [39.12803910865843]
  この研究は、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。 CorrDiffのオリジナルの作品とは対照的に、この作品で考慮された地域は40倍近く大きい。 ディープラーニングはこのタスクの強力なツールとして登場し、様々な高性能超解像モデルを生み出している。
  論文  参考訳（メタデータ） (2025-12-05T02:27:08Z)
• 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)
• 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)
• Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction [8.132450337453525]
  本稿では,拡散確率的ダウンスケーリングモデル(DPDM)を気象分野に導入する。 このモデルは、データを1degから0.1degに効率的に変換することができる。 東アジアにおける月次表面変数の180年間のデータセットを生成するために,本モデルを適用した。
  論文  参考訳（メタデータ） (2024-02-02T01:34:33Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• Increasing the accuracy and resolution of precipitation forecasts using deep generative models [3.8073142980733]
  我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。 一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。 その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
  論文  参考訳（メタデータ） (2022-03-23T09:45:12Z)

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。