論文の概要: Generative climate downscaling enables high-resolution compound risk assessment by preserving multivariate dependencies

• arxiv url: http://arxiv.org/abs/2605.11531v1
• Date: Tue, 12 May 2026 04:56:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.590854
• Title: Generative climate downscaling enables high-resolution compound risk assessment by preserving multivariate dependencies
• Title（参考訳）: 多変量依存の保存による高分解能複合リスク評価の実現
• Authors: Takuro Kutsuna, Noriko N. Ishizaki, Norihiro Oyama, Hiroaki Yoshida,
• Abstract要約: 拡散に基づくフレームワークとバイアス補正を組み合わせることで, 線形分解能が50$Times$増加しても, 変数間相関の劣化が回復することを示す。 本手法は,日本の5つの気象変数に適用した場合,既存の基準値に対して4倍以上の相関誤差を減少させる。
• 参考スコア（独自算出の注目度）: 0.6416429054645991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-based climate projections using general circulation models are essential for assessing future risks, but their coarse resolution limits regional decision-making. Statistical downscaling can efficiently add detail, yet many methods treat variables independently, degrading inter-variable relationships that govern compound hazards such as heat stress, drought, and wildfire. Here we show that a diffusion-based multivariate generative framework, combined with bias correction, recovers degraded inter-variable correlations even under a 50$\times$ increase in linear resolution. When applied to five meteorological variables over Japan, the framework reduces inter-variable correlation errors by more than fourfold relative to existing baselines while improving both univariate and spatial accuracy, leading to more accurate detection of severe drought. These results demonstrate that multivariate generative downscaling improves the reliability of compound risk assessment under large resolution gaps.
• Abstract（参考訳）: 一般循環モデルを用いた物理ベースの気候予測は将来のリスクを評価する上で不可欠であるが、その粗い解像度は地域的な意思決定を制限する。 多くの方法は変数を独立に扱い、熱ストレス、干ばつ、山火事などの複合的な危険を司る変数間の関係を悪化させる。 ここでは、拡散に基づく多変量生成フレームワークとバイアス補正を組み合わせることで、線形分解能の50$\times$増加の下でも、劣化した変量間相関を回復することを示す。 本フレームワークは,日本の5つの気象変数に適用した場合,既存の基準値に対して4倍以上の相関誤差を低減し,一変量および空間的精度を向上し,深刻な干ばつをより正確に検出する。 これらの結果から,多変量生成のダウンスケーリングにより,高分解能ギャップ下での複合リスク評価の信頼性が向上することが示唆された。

関連論文リスト

• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Advancing Wildfire Risk Prediction via Morphology-Aware Curriculum Contrastive Learning [2.8646703612162243]
  森林火災は自然の生態系と人間の健康に大きな影響を与え、生物多様性の喪失、水文学上のリスクの増大、有害物質の排出の増大につながった。 データは、典型的な状況よりも山火事の発生率が著しく低い不均衡な状況へのバイアスを示している。 本稿では,パッチの動的特徴に対する潜在表現の強化を通じて,これらの課題に対してコントラッシブなフレームワークを採用する方法を検討する。
  論文  参考訳（メタデータ） (2025-07-23T14:23:45Z)
• Investigating the Robustness of Extreme Precipitation Super-Resolution Across Climates [0.0482931985924527]
  格子状気候モデルの粗い空間分解能は 極端な降水量のような社会的に関係のある変数を 投影する際の使用を制限します 対象変数の確率分布のパラメータを解析的に抽出可能な写像を用いて超解法を提案する。 本フレームワークは, パラメータ分布が支配する変数に対して広く適用可能であり, 経験的ダウンスケーリングが気候変動や極端に一般化する時期と理由を理解するためのモデルに依存しない診断を提供する。
  論文  参考訳（メタデータ） (2025-07-12T07:04:07Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• 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)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• 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)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。