論文の概要: A Differentiable Framework for Global Circulation Model Precipitation Bias Correction

• arxiv url: http://arxiv.org/abs/2604.23045v2
• Date: Thu, 30 Apr 2026 21:36:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 13:37:10.817586
• Title: A Differentiable Framework for Global Circulation Model Precipitation Bias Correction
• Title（参考訳）: 地球循環モデル降雨バイアス補正のための微分可能なフレームワーク
• Authors: Kamlesh Sawadekar, Seth McGinnis, Peijun Li, Kathryn Lawson, Chaopeng Shen,
• Abstract要約: CLIMBAは、歴史的一般モデル(GCM)出力とグリッド化された観測ベースデータセット(Livneh Circulation)との間のパラメトリックバイアス調整手順を学習する その結果,提案手法は極端嵐の規模と分布を正確に補正し,特に極端嵐の捕捉性能は高いことがわかった。 この研究は、物理的に情報化され、スケーラブルで、歴史的および将来の両方のアプリケーションと互換性のあるモジュラー、計算効率、バイアス補正のアプローチを示す。
• 参考スコア（独自算出の注目度）: 2.0225826789157404
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Systematic biases in General Circulation Model (GCM) outputs limit their direct applicability in regional planning, necessitating bias correction. Correcting precipitation is particularly challenging due to its non-Gaussian distribution, intermittent nature, and heavy-tailed extremes. However, traditional statistical methods cannot learn from big data or easily address systematic biases in GCMs. While machine learning does provide this flexibility, its black-box type functionality hinders us from understanding these biases which also further prevents generalization across different GCMs and locations, especially for precipitation. In this study, we propose a differentiable bias adjustment framework called δCLIMBA (or dCLIMBA), that learns a spatiotemporally-adaptive parametric bias adjustment procedure between historical CMIP6 model outputs and a gridded observation-based dataset (Livneh). Results demonstrate that the proposed method accurately corrects both the magnitude and distribution of extreme storm events, with particularly strong performance in capturing extremes. The quantile distribution of precipitation was well reproduced across diverse U.S. cities, and spatial patterns performed comparably to the widely used LOCA2 statistical downscaling technique. In addition, the framework showed future trend preservation unlike pure quantile based methods and LOCA2, and results from bias correction over unseen regions showed that the marginal biases were attenuated. This work presents a modular, computationally efficient, and extensible bias correction approach that is physically informed, scalable, and compatible with both historical and future applications. Its flexibility makes it suitable for integration into Earth system post-processing pipelines and impact workflows.
• Abstract（参考訳）: 一般循環モデル(GCM)の体系的バイアスは、地域計画における直接的な適用性を制限し、バイアス補正を必要とする。 非ガウス分布、断続的な性質、重尾の極端が原因で、降水の修正は特に困難である。 しかし、従来の統計手法では、ビッグデータから学習したり、GCMの体系的バイアスに容易に対処できない。 機械学習はこの柔軟性を提供するが、そのブラックボックス型機能は、これらのバイアスを理解するのを妨げる。 本研究では,歴史的CMIP6モデル出力とグリッド化された観測ベースデータセット(Livneh)間の時空間適応型パラメトリックバイアス調整手順を学習するδCLIMBA(dCLIMBA)と呼ばれる,微分可能なバイアス調整フレームワークを提案する。 その結果,提案手法は極端嵐の規模と分布を正確に補正し,特に極端嵐の捕捉性能は高いことがわかった。 降水の量分布は米国各地の様々な都市でよく再現され、空間パターンは広く使われているLOCA2の統計的ダウンスケーリング技術と相容れない。 さらに,本フレームワークでは,純粋な量子化法やLOCA2とは異なり,将来的な傾向の保存が示され,未確認領域に対する偏差補正の結果,限界偏差の減衰が認められた。 この研究は、物理的に情報化され、スケーラブルで、歴史的および将来の双方のアプリケーションと互換性のある、モジュラーで、計算効率が高く、拡張可能なバイアス補正アプローチを示す。 この柔軟性により、Earthシステムポストプロセッシングパイプラインとインパクトワークフローとの統合に適している。

関連論文リスト

• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Conditional diffusion models for downscaling & bias correction of Earth system model precipitation [1.5193424827619018]
  本稿では,バイアス補正とダウンスケーリングを同時に行う機械学習フレームワークを提案する。 提案手法は, 統計的忠実性を確保し, 大規模空間パターンを保存し, 既存の手法より優れる。
  論文  参考訳（メタデータ） (2024-04-05T11:01:50Z)
• Deep learning for bias-correcting CMIP6-class Earth system models [0.0]
  本稿では,cGANsに基づくポストプロセッシング手法により,最先端のCMIP6クラスESMのバイアスを補正できることを示す。 本手法は, 金標準偏差調整フレームワークと同様に局所周波数分布を均等に改善するが, 空間パターンの補正において既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-16T13:53:57Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)

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。