論文の概要: Deep Clustering for Climate: Analyzing Teleconnections through Learned Categorical States
- arxiv url: http://arxiv.org/abs/2604.22909v1
- Date: Fri, 24 Apr 2026 17:12:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.052379
- Title: Deep Clustering for Climate: Analyzing Teleconnections through Learned Categorical States
- Title（参考訳）: 気候変動のためのディープクラスタリング:学習されたカテゴリー状態によるテレコネクションの分析
- Authors: Lívia Meinhardt, Dário Oliveira,
- Abstract要約: Masked Siamese Networksは、気候の時系列を意味的に豊かなクラスタに識別するために使用される。
本研究は,気候データ分析ツールとしての自己監督型離散化の可能性を明らかにするものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and representing complex climate variability is essential for both scientific analysis and predictive modeling. However, identifying meaningful climate regimes from raw variables is challenging, as they exhibit high noise and nonlinear dependencies. In this work, we explore the use of Masked Siamese Networks to discretize climate time series into semantically rich clusters. Focusing on daily minimum and maximum temperature, we show that the resulting representations: (i) yield clusters that reflect meaningful climate states under our modeling assumptions, offering a simplified representation for downstream use; (ii) enable sampling and analysis of specific climate scenarios; and (iii) exhibit statistical associations with El Niño events, underscoring their scientific relevance. Our findings highlight the potential of self-supervised discretization as a tool for climate data analysis and open avenues for incorporating richer climate indicators in future work.
- Abstract（参考訳）: 複雑な気候変動の理解と表現は、科学的分析と予測モデリングの両方に不可欠である。
しかし, 生変数から有意義な気候体制を特定することは困難であり, 高い騒音と非線形依存性を示す。
本研究では,気象時系列を意味的にリッチなクラスタに識別するために,Masked Siamese Networksの利用について検討する。
毎日の最低気温と最大気温に着目して、結果の表象が示される。
一 モデリングの前提の下で有意義な気候状態を反映し、下流使用の簡易な表現を提供する、収量クラスタ
二 特定の気候シナリオのサンプリング及び分析を可能にすること、及び
三) エルニーニョの出来事と統計的関連性を示し、その科学的関連性を裏付ける。
本研究は,気候データ分析のツールとしての自己監督型離散化の可能性と,よりリッチな気候指標を今後の研究に組み込むためのオープンな道であることを示す。
関連論文リスト
- ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。
また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
論文 参考訳（メタデータ） (2025-04-10T02:22:23Z) - A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。
本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
論文 参考訳（メタデータ） (2024-12-19T19:47:35Z) - Regional climate risk assessment from climate models using probabilistic machine learning [12.737495484442443]
GenFocalは、微細な時間スケールで相互作用する複雑な気候プロセスのための汎用的でエンドツーエンドな生成フレームワークである。
現在の気候における極端なリスクを、先進的なアプローチよりも正確に評価する。
GenFocalは、気候の予測がdecadalの時間スケールに与える影響に関する文献と一致する、魅力的な結果を示している。
論文 参考訳（メタデータ） (2024-12-11T03:52:17Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - 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) - Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。
我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
論文 参考訳（メタデータ） (2020-10-20T15:31:38Z)
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。