論文の概要: Longwang: Zero-Shot Global Spatiotemporal Precipitation Downscaling with a Latent Generative Prior

• arxiv url: http://arxiv.org/abs/2605.17603v1
• Date: Sun, 17 May 2026 19:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.387897
• Title: Longwang: Zero-Shot Global Spatiotemporal Precipitation Downscaling with a Latent Generative Prior
• Title（参考訳）: Longwang: ゼロショットグローバル時空間沈降ダウンスケーリングと遅延生成前処理
• Authors: Yue Wang, Daniele Visioni,
• Abstract要約: Longwangは、グローバルな降水学習のためのゼロショット遅延生成フレームワークである。 微細な空間パターンを再構築し、時間的コヒーレンスを保ち、極端な降雨を回復する。 さらに、実質的な分布シフトの下で、歴史的な気候シミュレーションと将来の気候予測を一般化する。
• 参考スコア（独自算出の注目度）: 2.5846398607287724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution precipitation information is essential for climate impact assessment, yet global climate models remain too coarse to resolve key small-scale processes. Existing machine learning downscaling methods often require paired low- and high-resolution data for supervised learning, are tied to fixed regions or scale factors during inference, and can be computationally expensive to train and run in physical space. Here we introduce Longwang, a zero-shot latent generative framework for global spatiotemporal precipitation downscaling. Longwang learns a context-conditioned latent generative prior and combines it with a physically informed observation operator through posterior sampling, enabling daily O(10 km) precipitation fields to be generated from monthly O(100 km) inputs. On ERA5 reanalysis, Longwang outperforms standard posterior sampling with an unconditional generative prior in reconstructing fine-scale spatial patterns, preserving temporal coherence, and recovering extreme precipitation intensities. The framework further generalizes to historical climate simulations and future climate projections under substantial distribution shift.
• Abstract（参考訳）: 高解像度の降水情報は気候影響評価に不可欠であるが、地球規模の気候モデルは、重要な小規模プロセスを解決するには粗いままである。 既存の機械学習のダウンスケーリング手法では、教師付き学習のためにペア化された低解像度と高解像度のデータを必要とし、推論中に固定された領域やスケールファクタに結び付けられ、物理空間でのトレーニングや実行には計算コストがかかる。 ここでは,グローバル時空間降水ダウンスケーリングのためのゼロショット遅延生成フレームワークであるLongwangを紹介する。 ロングワングは文脈条件付き潜伏生成を学習し、後方サンプリングを通じて物理的に情報を得た観測演算子と組み合わせ、月々のO(10 km)の降水場をO(100 km)の入力から生成することができる。 ERA5の再解析では、Longwangは、微細な空間パターンの再構築、時間的コヒーレンスの保存、極度の降水強度の回復に先立って、無条件生成による標準的な後部サンプリングよりも優れている。 この枠組みは、実質的な分布シフトの下で、歴史的気候シミュレーションと将来の気候予測にさらに一般化する。

関連論文リスト

• 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)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)

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。