論文の概要: Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations
- arxiv url: http://arxiv.org/abs/2605.29976v1
- Date: Thu, 28 May 2026 14:15:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.381532
- Title: Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations
- Title（参考訳）: 多段階気候シミュレーションによるアーチウェザーとアーチウェザージェネレーションのスキルと安定性の評価
- Authors: Renu Singh, Robert Brunstein, Antonia Jost, Thomas Rackow, Claire Monteleoni, Yana Hasson, Christian Lessig, Guillaume Couairon,
- Abstract要約: ArchesWeather と ArchesWeatherGen の気候シミュレーション能力を評価する。
本研究では,月平均海面温度 (SST) と海氷被覆 (SIC) を境界条件として,これらのモデルを強制的大気モデルとして機能させる。
ArchesWeather と ArchesWeatherGen の強制的な構成は、安定した長期気候シミュレーションを作成し、安定した年次サイクルを持ち、多くの気候変数の漂流を捉えていることを示す。
- 参考スコア（独自算出の注目度）: 8.698072049880366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We evaluate the climate simulation capabilities of ArchesWeather and ArchesWeatherGen, two machine learning models originally trained for weather forecasting and evaluated up to a 10-day lead time. ArchesWeather is a deterministic model, while ArchesWeatherGen is a probabilistic flow-matching model leveraging ArchesWeather's forecasts, enabling ensemble-based uncertainty quantification. In this work, we adapt these models to act as forced atmospheric models by using additional conditioning on the monthly mean sea surface temperature (SST) and sea ice cover (SIC) as boundary conditions. In particular, we follow the AI Model Intercomparison Project (AIMIP) Phase 1 protocol, which, analogous to the Atmospheric Model Intercomparison Project (AMIP), proposes a standardized experimental setup to evaluate the climate skill of ML-based forced atmospheric models. We present a comprehensive evaluation of both models under these conditions, including comparison against numerical climate models, ablation studies that examine key design choices in the extension, and an analysis of forced versus unforced configurations. Despite being originally developed for weather forecasting, we demonstrate that forced configurations of ArchesWeather and ArchesWeatherGen produce stable long-term climate simulations, have a stable annual cycle, and capture the drift of many climate variables. The models faithfully reproduce ERA5's climatology, large-scale circulations and interannual variability, and they capture the tails of the distributions.
- Abstract（参考訳）: ArchesWeather と ArchesWeatherGen の気候シミュレーション能力を評価する。
ArchesWeatherは決定論的モデルであり、ArchesWeatherGenはArchesWeatherの予測を利用した確率論的フローマッチングモデルであり、アンサンブルベースの不確実性定量化を可能にする。
本研究では,月平均海面温度 (SST) と海氷被覆 (SIC) を境界条件として,これらのモデルを強制的大気モデルとして機能させる。
特に、AIMIP(AI Model Intercomparison Project)フェーズ1(AIMIP)プロトコルに従う。このプロトコルは、MLベースの強制的な大気モデルの気候スキルを評価するための標準化された実験環境を提案する。
本稿では,これらの条件下での両モデルの総合的な評価,数値気候モデルとの比較,拡張における重要な設計選択を検討するアブレーション研究,強制的・非強制的構成の分析などについて述べる。
もともと天気予報のために開発されたが、ArcesWeatherとArcesWeatherGenの強制的な構成は、安定した長期気候シミュレーションを作成し、安定した年次サイクルを持ち、多くの気候変数の漂流を捉えることを実証した。
モデルは、ERA5の気候学、大規模な循環、年々の変動を忠実に再現し、分布の尾を捉えている。
関連論文リスト
- ArchesClimate: Probabilistic Decadal Ensemble Generation With Flow Matching [7.758482151941547]
本稿では,気候モデルシミュレーションのコスト削減を目的とした,深層学習に基づく気候モデルエミュレータArcesClimateを紹介する。
ArchesClimateは、IPSL-CM6A-LR気候モデルの遅延ヒンドキャストを約2.5x1.25°の空間分解能で訓練する。
いくつかの重要な気候変数に対して、ArceClimateはIPSLモデルと交換可能なシミュレーションを生成する。
論文 参考訳（メタデータ） (2025-09-19T12:53:24Z) - TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State [23.8714341737652]
正確なサブシーズン・ツー・シーソン(S2S)予測は農業、エネルギー生産、緊急管理において決定に不可欠である。
近年のデータ駆動型研究は有望な結果を示しているが、その性能は気候状態の不十分な取り込みとモデル劣化傾向によって制限されている。
本研究では,気象予報モデルであるTianQuan-S2Sを提案する。
論文 参考訳（メタデータ） (2025-04-14T07:02:34Z) - ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。
また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
論文 参考訳（メタデータ） (2025-04-10T02:22:23Z) - ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting [11.561776315905357]
本稿では,確率論的気象モデルの設計において決定論的気象モデルを活用する手法を提案する。
我々の研究は、気象予報研究における決定論的および生成的機械学習モデルの利用を民主化することを目的とする。
論文 参考訳（メタデータ） (2024-12-17T14:54:30Z) - Ensemble data assimilation to diagnose AI-based weather prediction model: A case with ClimaX version 0.3.1 [0.0]
本研究では,AIに基づく天気予報モデルの診断にアンサンブルデータ同化を用いた手法を提案する。
AIベースのモデルであるClimaXを用いた実験では、AIベースの天気予報モデルに対して、アンサンブルデータ同化が安定して周期化されることが実証された。
論文 参考訳（メタデータ） (2024-07-25T05:22:08Z) - Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。
最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。
本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2024-06-13T07:46:03Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - 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)
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。