論文の概要: Assessment of cloud and associated radiation fields from a GAN stochastic cloud subcolumn generator

• arxiv url: http://arxiv.org/abs/2605.11968v2
• Date: Wed, 13 May 2026 17:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.895352
• Title: Assessment of cloud and associated radiation fields from a GAN stochastic cloud subcolumn generator
• Title（参考訳）: GAN確率雲サブカラムジェネレータからの雲と関連する放射場の評価
• Authors: Dongmin Lee, Lazaros Oreopoulos, Nayeong Cho, Daeho Jin,
• Abstract要約: 現代の地球系モデル(ESM)は、典型的な雲の特徴よりもはるかに大きな水平スケールで運用されている。 従来の物理ベースのジェネレータは、しばしば分析的なクラウド重複パラダイムに依存している。 本稿では,GEOS大気モデルのための新しい2段階機械学習サブカラム生成手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern Earth System Models (ESMs) operate on horizontal scales far larger than typical cloud features, requiring stochastic subcolumn generators to represent subgrid horizontal and vertical cloud variability. Traditional physically-based generators often rely on analytical cloud overlap paradigms, such as exponential-random decorrelation, which can struggle to capture the complex, anti-correlated behavior of non-contiguous cloud layers. In this study, we introduce a novel two-stage machine learning subcolumn generator for the GEOS atmospheric model, utilizing a Conditional Variational Autoencoder combined with a Generative Adversarial Network (CVAE-GAN) and a U-Net architecture. Trained on a merged CloudSat-CALIPSO height-resolved cloud optical depth dataset, the ML generator creates 56 stochastic subcolumns representing cloud occurrence and optical depth profiles. Evaluated against the established Räisänen, the ML approach accurately reproduces bimodal cloud overlap distributions, significantly reduces biases in grid-mean statistics, and halves the root-mean-square error in ISCCP-style cloud-top pressure and optical thickness joint histograms. The improvements brought by our deep generative models translate into more accurate offline radiative transfer calculations, reducing the global-mean shortwave top-of-atmosphere cloud radiative effect bias by a factor of three. Provided that the generator can be accelerated on CPUs, this offers a practical pathway to reduce structural errors at the cloud-radiation interface.
• Abstract（参考訳）: 現代の地球系モデル(ESM)は、典型的な雲の特徴よりもはるかに大きな水平スケールで運用されており、水平および垂直の雲の変動を示すために、確率的なサブカラムジェネレータを必要とする。 従来の物理的にベースとしたジェネレータは、指数的ランダムデコレーション(英語版)のような分析的な雲の重複パラダイムに依存しており、非連続的な雲層の複雑な反相関的な振る舞いを捉えるのに苦労することがある。 本研究では,GEOS大気モデルのための新しい2段階機械学習サブカラム生成装置について紹介し,条件付き変分オートエンコーダとジェネレーティブ・アドバイザリアル・ネットワーク(CVAE-GAN)とU-Netアーキテクチャを併用した。 CloudSat-CALIPSOの高度分解クラウド光深度データセットに基づいて、MLジェネレータは、雲の発生と光深度プロファイルを表す56の確率サブカラムを生成する。 確立されたRäisänenに対して評価し、MLアプローチはバイモーダル雲の重複分布を正確に再現し、グリッド平均統計のバイアスを著しく低減し、ICCCP型雲上圧および光学厚み関節ヒストグラムの根平均二乗誤差を半減する。 我々の深部生成モデルによる改良はより正確なオフライン放射移動計算に変換され、地球平均短波の雲の放射効果バイアスを3倍に削減する。 CPU上でジェネレータを高速化できるため、これはクラウド・ラジエート・インタフェースにおける構造的エラーを減らすための実用的な経路を提供する。

関連論文リスト

• Joint Retrieval of Cloud properties using Attention-based Deep Learning Models [7.86932319873743]
  CloudUNet with Attention Module (CAM) は、太く重なり合うクラウド領域のエラーを減らすために注意機構を利用する、コンパクトなUNetベースのモデルである。 我々のCAMモデルは最先端のディープラーニング手法より優れており、COTでは平均絶対誤差(MAE)が34%、CERでは42%減少し、IPA法と比較してCOTおよびCER検索では76%、CERでは86%低下している。
  論文  参考訳（メタデータ） (2025-04-04T03:01:19Z)
• 3D Point Cloud Generation via Autoregressive Up-sampling [60.05226063558296]
  我々は3Dポイントクラウド生成のための先駆的な自己回帰生成モデルを導入する。 視覚的自己回帰モデリングにインスパイアされた我々は、ポイントクラウド生成を自己回帰的アップサンプリングプロセスとして概念化する。 PointARUは、3Dポイントの雲を粗いものから細かいものへと徐々に洗練する。
  論文  参考訳（メタデータ） (2025-03-11T16:30:45Z)
• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• PGCS: Physical Law embedded Generative Cloud Synthesis in Remote Sensing Images [9.655563155560658]
  物理法則組み込みクラウド合成法 (PGCS) は, 実データを改善するために, 多様な現実的なクラウド画像を生成するために提案されている。 2つの雲補正法がPGCSから開発され、雲補正作業における最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-22T12:36:03Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• Direct data-driven forecast of local turbulent heat flux in Rayleigh-B\'{e}nard convection [0.0]
  Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流 縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。 12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
  論文  参考訳（メタデータ） (2022-02-26T12:39:19Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。