論文の概要: Temporal Coverage over Density: Parsimonious Training-Set Design for ML Climate Downscaling

• arxiv url: http://arxiv.org/abs/2606.07898v1
• Date: Fri, 05 Jun 2026 23:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.522411
• Title: Temporal Coverage over Density: Parsimonious Training-Set Design for ML Climate Downscaling
• Title（参考訳）: 密度を超える時間被覆:ML気候ダウンスケーリングのための同期トレーニングセット設計
• Authors: Karandeep Singh, Stefan Rahimi, Chad W. Thackeray, Stephen Cropper, Alex Hall,
• Abstract要約: 高解像度の地域気候シミュレーションは、気候影響評価に重要な情報を提供する。 発見は地域気候のダウンスケーリングと大規模な予測のための実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 6.383771493909507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution regional climate simulations provide critical information for climate impacts assessments but remain computationally expensive, motivating the development of machine-learning downscalers and emulators. A key challenge is determining how limited high-resolution simulations should be distributed across a changing climate trajectory to capture both forced climate response and internal variability. Using the CESM2 Large Ensemble over the western United States, we compare three training-year selection strategies under fixed data budgets: a contiguous block of historical years, years drawn from both the beginning and end of the simulation period, and years distributed throughout the full climate trajectory. Including both historical and future years consistently outperforms training on historical years alone, demonstrating the importance of exposing downscaling models to climate states outside the historical record and highlighting limitations of stationarity assumptions common in statistical downscaling. Training on years distributed throughout the full climate trajectory performs best overall, indicating that broad sampling of internal variability provides additional information beyond exposure to the forced climate response alone. Models trained on temporally distributed subsets more successfully reproduce variability in unseen ensemble members while retaining strong performance across a wide range of climate diagnostics. Even when trained on only one-tenth of the available high-resolution years, temporally distributed models remain highly competitive with full-data training. These results suggest that, under fixed computational budgets, broad sampling of climate states is more valuable than temporal continuity when allocating scarce high-resolution simulations. The findings provide practical guidance for regional climate downscaling and large-ensemble projection workflows.
• Abstract（参考訳）: 高解像度の地域気候シミュレーションは、気候影響評価にとって重要な情報を提供するが、計算に費用がかかるままであり、機械学習のダウンスケーラやエミュレータの開発を動機付けている。 重要な課題は、強制的な気候応答と内部変動の両方を捉えるために、変動する気候軌道にまたがる限られた高分解能シミュレーションをどのように分散すべきかを決定することである。 米国西部でのCESM2大型アンサンブルを用いて、固定データ予算の下での3つのトレーニング年選択戦略(連続した歴史年数ブロック、シミュレーション期間の開始と終了の両方から引き出された年数、全気候軌道に分散した年数)を比較した。 歴史的年と将来の年は、歴史的年のみのトレーニングを一貫して上回り、歴史的記録の外側の気候状態にダウンスケーリングモデルを公開することの重要性を示し、統計的なダウンスケーリングに共通する定常性の仮定の制限を強調している。 完全な気候軌道に散在する年間トレーニングは、内部変動の広範囲なサンプリングは、強制的な気候応答のみに曝露する以上の情報を提供することを示している。 時間分布サブセットで訓練されたモデルは、幅広い気候診断において強い性能を維持しながら、目に見えないアンサンブルメンバーの変動性をよりうまく再現する。 利用可能な高解像度の年の10分の1しかトレーニングされない場合でも、時間分散モデルは完全なデータトレーニングと非常に競合するままである。 これらの結果から, 一定の計算予算の下では, 高分解能シミュレーションが不足する場合には, 時間的連続性よりも広範な気候状態のサンプリングの方が有用であることが示唆された。 本研究は,地域気候下降と大規模投射ワークフローの実践的ガイダンスを提供する。

関連論文リスト

• Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts [2.4329932351753114]
  アナログのない」将来の気候状態は、歴史的トレーニングデータの実証範囲外の条件に、外部の強制がシステムを駆動する体制である。 我々は、U-Net、ConvLSTM、ClimaXファンデーションモデルという3つの最先端アーキテクチャの堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-03-24T10:29:54Z)
• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• 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)
• 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)
• 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)
• 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)
• 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)

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。