論文の概要: Decomposing Ensemble Spread in Lorenz '96 With Learned Stochastic Parameterizations

• arxiv url: http://arxiv.org/abs/2605.22242v2
• Date: Sun, 24 May 2026 10:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:37.95401
• Title: Decomposing Ensemble Spread in Lorenz '96 With Learned Stochastic Parameterizations
• Title（参考訳）: 確率パラメータの学習によるロレンツ96におけるアンサンブル展開の解法
• Authors: Birgit Kühbacher, Daan Crommelin, Niki Kilbertus,
• Abstract要約: 運用のアンサンブル予測は、予測拡散を通じて不確実性を表現することを目的としている。 広範に使われている制御テストベッドとして,2スケールのLorenz 1996システムを用いる。 アンサンブル摂動はシステムの長期的分散を増大させるものではないことを示す。
• 参考スコア（独自算出の注目度）: 7.998429690845518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weather and climate forecasts are inherently uncertain due to chaotic dynamics, imperfect initial conditions, and incomplete representation of the underlying physical processes. Operational ensemble forecasts aim to represent these uncertainties through forecast spread, yet many approaches yield underdispersive estimates, with spread that grows too slowly relative to forecast error. Using the two-scale Lorenz 1996 system as a widely used, controlled testbed, we design a systematic approach to disentangle intrinsic variability, initial-condition perturbations, and stochastic model uncertainty. We compare multiple ensemble configurations and parameterization strategies, including existing deterministic and autoregressive as well as novel Bayesian and flow-based approaches. Our results show that ensemble perturbations do not increase the system's long-term variance; rather, they regulate how rapidly trajectories decorrelate and explore the invariant measure. Stochastic parameterizations, particularly those with temporally persistent structure, enhance early spread growth and improve spread-error consistency. Overall, we bring clarity to how different sources of uncertainty interact in a chaotic system and provide guidance for the design and evaluation of stochastic parameterizations in weather and climate models.
• Abstract（参考訳）: 気象と気候の予測は、カオス力学、不完全な初期条件、基礎となる物理過程の不完全な表現によって本質的に不確実である。 運用のアンサンブル予測は、予測の拡散を通じてこれらの不確実性を表現することを目的としているが、多くのアプローチは、予測エラーに対してあまりにもゆっくり成長する拡散を伴う過分散見積もりをもたらす。 2スケールのLorenz 1996システムを広範に使用し、制御されたテストベッドとして使用し、本質的変動性、初期条件摂動、確率的モデルの不確実性を解消するための体系的なアプローチを設計する。 既存の決定論的・自己回帰的手法や新しいベイズ的・フローベース手法など,複数のアンサンブル構成とパラメータ化戦略を比較した。 以上の結果から,アンサンブル摂動はシステムの長期的分散を増大させるものではないことが示唆された。 確率的パラメータ化、特に時間的に永続的な構造を持つものは、早期の拡散成長を促進し、拡散エラー一貫性を向上させる。 全体として、カオスシステムにおける異なる不確実性源がどのように相互作用するかを明確にし、気象モデルと気候モデルにおける確率的パラメータ化の設計と評価のためのガイダンスを提供する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• PDE-regularized Dynamics-informed Diffusion with Uncertainty-aware Filtering for Long-Horizon Dynamics [2.1129307468437513]
  我々はPDEに基づく正規化と不確実性を考慮した予測を統合した動的インフォームド拡散フレームワークを提案する。 PDYffusion は CRPS と MSE の点で優れた性能を示し,SSR による安定な不確実性挙動を維持した。
  論文  参考訳（メタデータ） (2026-04-10T07:37:38Z)
• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Predicting Forced Responses of Probability Distributions via the Fluctuation-Dissipation Theorem and Generative Modeling [0.0]
  非線形系の高次モーメントの小さな外乱に対する応答を推定するためのデータ駆動型フレームワークを提案する。 GFDTとスコアベース生成モデルを組み合わせて,データから直接システムのスコア関数を推定する。 本手法は, 気候動態に関するいくつかのモデルを用いて検証した。
  論文  参考訳（メタデータ） (2025-04-17T20:54:33Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。