論文の概要: Generative Unsupervised Downscaling of Climate Models via Domain Alignment: Application to Wind Fields

• arxiv url: http://arxiv.org/abs/2604.03341v1
• Date: Fri, 03 Apr 2026 09:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.527425
• Title: Generative Unsupervised Downscaling of Climate Models via Domain Alignment: Application to Wind Fields
• Title（参考訳）: ドメインアライメントによる気候モデル生成の非教師なしダウンスケーリング:風場への適用
• Authors: Julie Keisler, Boutheina Oueslati, Anastase Charantonis, Yannig Goude, Claire Monteleoni,
• Abstract要約: 一般的な循環モデル(GCM)は将来の気候予測に広く使われている。 粗い空間分解能と体系的なバイアスは、影響研究への直接的使用を制限する。 生成機械学習の最近の進歩は、ダウンスケーリングとバイアス補正の新しい機会を提供する。
• 参考スコア（独自算出の注目度）: 2.77586127194301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General Circulation Models (GCMs) are widely used for future climate projections, but their coarse spatial resolution and systematic biases limit their direct use for impact studies. This limitation is particularly critical for wind-related applications, such as wind energy, which require spatially coherent, multivariate, and physically plausible near-surface wind fields. Classical statistical downscaling and bias correction methods partly address this issue. Still, they struggle to preserve spatial structure, inter-variable consistency, and robustness under climate change, especially in high-dimensional settings. Recent advances in generative machine learning offer new opportunities for downscaling and bias correction, eliminating the need for explicitly paired low- and high-resolution datasets. However, many existing approaches remain difficult to interpret and challenging to deploy in operational climate impact studies. In this work, we apply SerpentFlow, an interpretable, generative, domain alignment framework, to the multivariate downscaling and bias correction of wind variables from GCM outputs. This is a method that generates low-resolution/high-resolution training data pairs by separating large-scale spatial patterns from small-scale variability. Large-scale components are aligned across climate model and observational domains. Conditional fine-scale variability is then learned using a flow-matching generative model. We apply the approach to multiple wind variables downscaling, including average and maximal wind speed, zonal and meridional components, and compare it with widely used multivariate bias correction methods. Results show improved spatial coherence, inter-variable consistency, and robustness under future climate conditions, highlighting the potential of interpretable generative models for wind and energy applications.
• Abstract（参考訳）: 一般的な循環モデル(GCM)は将来の気候予測に広く用いられているが、その粗い空間分解能と体系的な偏差は、影響研究に直接的な使用を制限する。 この制限は、空間的コヒーレント、多変量、物理的に安定な近地風力を必要とする風力エネルギーなど、風関連の応用に特に重要である。 古典的な統計的ダウンスケーリングとバイアス補正はこの問題に部分的に対処する。 それでも、特に高次元の環境では、空間構造、変数間の整合性、気候変動下での堅牢性を維持するのに苦労している。 生成機械学習の最近の進歩は、ダウンスケーリングとバイアス補正の新たな機会を提供し、明確にペア化された低解像度データセットと高解像度データセットの必要性を排除している。 しかし、既存の多くのアプローチは、運用的気候影響研究において解釈し、展開することが困難なままである。 本稿では,GCM出力からの風変数の多変量ダウンスケーリングとバイアス補正に,解釈可能で生成可能なドメインアライメントフレームワークであるSerpentFlowを適用する。 大規模空間パターンを小型変数から分離し,低分解能/高分解能トレーニングデータペアを生成する方法である。 大規模コンポーネントは、気候モデルと観測領域にまたがって配置されている。 条件付き細粒度変動はフローマッチング生成モデルを用いて学習する。 本研究では, 風速および最大風速, 水平成分, 縦成分を含む複数の風速変数のダウンスケーリングにアプローチを適用し, 多変量偏差補正法と比較する。 その結果、将来の気候条件下での空間的コヒーレンス、変数間の整合性、ロバスト性の改善が示され、風力・エネルギー応用のための解釈可能な生成モデルの可能性が浮き彫りにされた。

関連論文リスト

• 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)
• Vision Transformers for Multi-Variable Climate Downscaling: Emulating Regional Climate Models with a Shared Encoder and Multi-Decoder Architecture [0.0]
  共有エンコーダと可変固有デコーダを用いたマルチタスク多変数ビジョントランス (ViT) アーキテクチャを提案する。 我々の多変量アプローチは、正のクロス変数な知識伝達を実現し、同一条件下で訓練された単変量ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-12T11:48:41Z)
• Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
  風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。 数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。 統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
  論文  参考訳（メタデータ） (2024-10-04T22:04:40Z)
• 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)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• Multi-variable Hard Physical Constraints for Climate Model Downscaling [17.402215838651557]
  地球温暖化モデル(GCM)は、気候変動の進化をシミュレートし、気候変動の影響を評価する主要なツールである。 彼らはしばしば、局所的な現象を再現する際の精度を制限する粗い空間分解能で操作する。 本研究は, この問題の範囲を調査し, 温度適用を通じて多変量制約を導入したフレームワークの基礎を定めている。
  論文  参考訳（メタデータ） (2023-08-02T11:42:02Z)
• 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)
• 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)
• Modelling and simulating spatial extremes by combining extreme value theory with generative adversarial networks [0.1469945565246172]
  統計学において、極値理論は空間的極値のモデル化にしばしば用いられる。 ここでは,GANと極値理論(evtGAN)を組み合わせることで,夏季の気温の最大値と降水時の冬の最大値の空間依存性をモデル化する。 以上の結果から,evtGANは空間的極端をモデル化するための古典的GANや標準統計的アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2021-10-30T15:05:43Z)
• 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。