論文の概要: Physics-Constrained Adaptive Flow Matching for Climate Downscaling

• arxiv url: http://arxiv.org/abs/2604.03459v1
• Date: Fri, 03 Apr 2026 21:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.590947
• Title: Physics-Constrained Adaptive Flow Matching for Climate Downscaling
• Title（参考訳）: 物理制約付き適応流マッチングによる気候下降
• Abstract要約: 生成的ダウンスケーリングモデルとして,物理制約付き適応フローマッチング(PC-AFM)を提案する。 我々は、中央ヨーロッパ気候データに基づいてモデルをトレーニングし、それを10回のダウンスケールタスクで評価し、2つの保留気候領域における一般化を検証した。 以上の結果から,物理整合性は実世界のアプリケーションに生成的なダウンスケーリングモデルをデプロイするための現実的な要件であることが示唆された。
• 参考スコア（独自算出の注目度）: 20.06043414924976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regional climate information at kilometer scales is essential for assessing the impacts of climate change, but generating it with global climate models is too expensive due to their high computational costs. Machine learning models offer a fast alternative, yet they often violate basic physical laws and degrade when applied to climates outside of their training distribution. We present Physics-Constrained Adaptive Flow Matching (PC-AFM), a generative downscaling model that addresses both problems. Building on the Adaptive Flow Matching (AFM) model of Fotiadis et al. (2025) as our baseline, we add soft conservation constraints that keep the downscaled output consistent with the large-scale input for precipitation and humidity, and use gradient surgery via the ConFIG algorithm to prevent these constraints from interfering with the generative objective. We train the model on Central Europe climate data, evaluate it on a 10-time downscaling task (63km to 6.3km) over six variables (near-surface temperature, precipitation, specific humidity, surface pressure, and horizontal wind components) across a comprehensive set of metrics including bias, ensemble skill scores, power spectra, and conservation error, and test the generalization on two held-out climate regions. Within the training distribution, PC-AFM reduces conservation errors and improves ensemble calibration while matching the baseline on standard skill metrics. Outside the training distribution, where unconstrained models develop large systematic errors by extrapolating learned statistics, PC-AFM halves precipitation wet bias, reduces conservation error and improves extreme-quantile accuracy, all without any information about the target climate at inference time. These results indicate that physical consistency is a practical requirement for deploying generative downscaling models in real-world applications.
• Abstract（参考訳）: 気候変動の影響を評価するにはキロスケールでの地域気候情報が必要であるが、その計算コストが高いため、地球規模の気候モデルでそれを生成するには高すぎる。 機械学習モデルは高速な代替手段を提供するが、基本的な物理法則に違反し、トレーニングディストリビューション以外の気候に適用すると劣化することが多い。 両問題に対処する生成的ダウンスケーリングモデルであるPC-AFMを提案する。 本研究では,Fotiadis et al (2025) の適応フローマッチング (AFM) モデルをベースラインとして,降水量と湿度の大規模な入力と整合性を保つソフトプロテクション制約を加え,ConFIG アルゴリズムを用いて勾配解析を行い,これらの制約が生成目的に干渉することを防ぐ。 本研究では, 中央ヨーロッパ気候データに基づくモデルを構築し, 6変数(地表面温度, 降水量, 比湿度, 地表面圧力, 水平風成分)を10時間ダウンスケーリングタスク(63km～6.3km)で評価し, バイアス, アンサンブルスキルスコア, パワースペクトル, 保存誤差などを含む総合的な指標を用いて, 一般化の検証を行った。 トレーニングディストリビューション内では、PC-AFMは保存エラーを低減し、標準スキルメトリクスのベースラインにマッチしながらアンサンブル校正を改善する。 学習統計を外挿することで、制約のないモデルが大きな体系的エラーを発生させるトレーニングディストリビューション以外では、PC-AFMは濡れたバイアスを降らせ、保存誤差を低減し、極端に量子的精度を向上させる。 これらの結果は、実世界のアプリケーションに生成的なダウンスケーリングモデルをデプロイする上で、物理的整合性は実践的な要件であることを示している。

関連論文リスト

• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• 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)
• CERA: A Framework for Improved Generalization of Machine Learning Models to Changed Climates [1.205087107092304]
  気候変動下でのロバストな一般化は、気候変動科学における機械学習応用の大きな課題である。 本稿では,自動エンコーダによる機械学習フレームワークCERA(Climate-invariant climate representation through Representation)を提案する。 CERAは、+4K気候からのラベル付きデータをトレーニングすることなく、ラベル付き制御気候データとラベルなし温度気候入力を活用して、より暖かい気候への一般化を改善する。
  論文  参考訳（メタデータ） (2025-08-15T20:28:04Z)
• PACER: Physics Informed and Uncertainty Aware Climate Emulator [0.6372261626436676]
  比較的軽量な2.1MパラメータであるPACERを提案する。 PACERは様々な空間解像度と物理に基づく気候モデルで訓練されている。 PACERのエミュレーション性能は,20の気候モデルにおいて,関連するベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-29T01:53:40Z)
• 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)
• Embedding machine-learnt sub-grid variability improves climate model biases [0.44998333629984877]
  雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。 高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。 制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
  論文  参考訳（メタデータ） (2024-06-13T19:35:58Z)
• 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)
• 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)

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。