論文の概要: Emulating the Forced Response of Climate Models with Flow Matching
- arxiv url: http://arxiv.org/abs/2605.16929v1
- Date: Sat, 16 May 2026 10:54:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.302237
- Title: Emulating the Forced Response of Climate Models with Flow Matching
- Title（参考訳）: 流れマッチングによる気候モデルの強制応答のエミュレート
- Authors: Graham Clyne, Julia Kaltenborn, Peer Nowack, Claire Monteleoni, Anasatase Charantonis,
- Abstract要約: 共有社会経済パス(Shared Socioeconomic Pathways)は、世界経済と人口統計学の発展の様々なシナリオを記述している。
これらのSSPは、本来は気候変動の強制的な変化と結びついている。
気候モデルの実行は非常に計算コストが高い。
近年の研究では、機械学習を用いて気候モデルダイナミクスを捉える能力が実証されている。
- 参考スコア（独自算出の注目度）: 2.449638259214665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global climate models are essential tools to simulate past and potential future pathways of climate change, as well as associated climate impacts. Shared Socioeconomic Pathways (SSPs) describe a range of future scenarios of global economic and demographic development. These SSPs are intrinsically linked to changes in climate forcings, the external drivers, such as greenhouse gas and aerosol emissions, which in turn lead to the human impact on the energy balance of the Earth over time. These forcings are fundamental boundary conditions in climate models in order to gain insight into the potential climatic impacts of these changes described by each SSP. Running a climate model, however, is extremely computationally expensive, conflicting with the need for large ensembles of simulations for each model to give, e.g., more robust estimates in the presence of internal variability (the inherent, chaotic fluctuations within the climate system) and scenario uncertainty. Recent research has demonstrated the ability to capture climate model dynamics using machine learning when conditioned on forcings from different climatic scenarios. We here train a Deep Learning (DL) model on multiple SSPs and successfully generate scenarios unseen during training. Our emulator is validated against MESMER-M, a statistical emulator of land surface temperature. Our research demonstrates the capacity to generate such changing climate states in response to a variety of simultaneous climate forcings (e.g., carbon dioxide, methane, nitrous oxide, sulphate aerosols, and ozone). In particular, our ablation studies underline a need to include a range of different forcings to represent long-term atmospheric trends with a DL emulator.
- Abstract（参考訳）: 地球温暖化モデル(Global climate model)は、過去と将来の気候変動の経路をシミュレートし、関連する気候への影響をシミュレートするための重要なツールである。
共有社会経済パス(SSP)は、世界経済と人口統計学の発展の様々なシナリオを記述している。
これらのSSPは、温室効果ガスやエアロゾル放出などの外部の要因の変化と本質的に結びついており、それによって地球のエネルギー収支に人間の影響が及ぶ。
これらの強制は、気候モデルにおける基本的な境界条件であり、それぞれのSSPによって記述されたこれらの変化の潜在的な気候影響について洞察を得るためである。
しかし、気候モデルの実行は非常に計算コストがかかり、各モデルに対する大規模なシミュレーションの必要性、例えば、内部の変動(固有の、気候システム内のカオス的変動)とシナリオの不確実性が存在する場合のより堅牢な見積もりと矛盾する。
近年の研究では、異なる気候シナリオのフォースに条件付けされた機械学習を用いて、気候モデルダイナミクスをキャプチャする能力が実証されている。
ここでは、複数のSSPでディープラーニング(DL)モデルをトレーニングし、トレーニング中に見えないシナリオをうまく生成します。
地表面温度の統計エミュレータであるMESMER-Mに対して,エミュレータの有効性を検証した。
本研究は, 炭酸ガス, メタン, 亜酸化窒素, 硫酸塩エアロゾル, オゾンなど, 様々な同時的な気候変動に反応して, このような変化する気候状態を生成する能力を示す。
特に,我々のアブレーション研究は,DLエミュレータを用いた長期的大気変動を表すために,様々な強制力を含む必要があることを示唆している。
関連論文リスト
- mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations [0.29960386795689337]
オゾンは太陽放射の重要な吸収剤であり、温室効果ガスである。
Coupled Model Intercomparison Project (CMIP) に参加しているほとんどの気候モデルは、大気化学の計算コストが高いため、オゾンのインタラクティブな表現が欠けている。
本稿では,標準的な気候感応シミュレーションにおいて,オゾンの日変動と対流圏と成層圏の傾向をインタラクティブにモデル化する機械学習パラメータ化(mloz)を提案する。
2つの異なる気候モデルにまたがって、デケイダルな時間スケールとフレキシブルな利用に関する高い忠実さを実証する。
論文 参考訳（メタデータ） (2025-09-24T15:47:45Z) - Generative artificial intelligence improves projections of climate extremes [13.768093814009374]
GCMは将来の気候を予測するのに不可欠であるが、その粗い解像度と高い計算コストは極端を表す能力を制限する。
本稿では,CMIP出力をダウンスケールする生成的ディープラーニングフレームワークであるFuXi-CMIPAlignを紹介する。
論文 参考訳（メタデータ） (2025-08-22T13:56:02Z) - 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) - Towards Causal Representations of Climate Model Data [18.82507552857727]
この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。
以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
論文 参考訳（メタデータ） (2023-12-05T16:13:34Z) - 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) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳（メタデータ） (2021-04-29T02:10:08Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳（メタデータ） (2020-11-23T20:13:37Z) - Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。
これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。
本稿では,本稿で開発したツールと方法論について紹介する。
論文 参考訳（メタデータ） (2020-11-03T21:22:42Z) - 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。