論文の概要: Regional Climate Model Emulation with Diffusion Approaches: What is the Added Value of Generative Machine Learning?

• arxiv url: http://arxiv.org/abs/2606.14570v1
• Date: Fri, 12 Jun 2026 15:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.966153
• Title: Regional Climate Model Emulation with Diffusion Approaches: What is the Added Value of Generative Machine Learning?
• Title（参考訳）: 拡散アプローチによる地域気候モデルシミュレーション:生成機械学習の付加価値は何か?
• Authors: Mikel N. Legasa, Antoine Doury, Achille Gellens, Redouane Lguensat, Clara Naldesi, Soulivanh Thao, Mathieu Vrac,
• Abstract要約: 2段階拡散に基づく新しいフレームワークであるParamDiffusionを紹介する。 気候科学のニーズに合わせた包括的枠組みを通じて、標準検証を拡大する。 決定論的手法に対する拡散アプローチの付加価値を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emulators provide a cost-effective alternative to regional climate models (RCMs) by capturing their dynamical downscaling function. They link large-scale predictors simulated by global climate models (GCMs) to RCM-simulated high-resolution fields of the target variable, here precipitation. Machine learning methods, typically deep learning, are cheaper than running RCMs in computation time and energy. Among them, generative models are appealing because they can simulate ensembles of local high-resolution fields consistent with the predictors. This ensemble, which we call the uncertainty envelope, remains to be properly assessed for added value. Here, we make three contributions. First, we introduce ParamDiffusion, a new two-stage diffusion-based framework, and compare it with a state-of-the-art diffusion approach. Second, we expand standard validation through a comprehensive framework aligned with climate-science needs, examining specific precipitation events, including extremes. Third, within this framework, we assess the added value of diffusion approaches relative to deterministic methods. We intercompare four deep-learning models: a deterministic model designed to capture the precipitation tail; a parametric probabilistic model based on it; a recently proposed diffusion approach; and ParamDiffusion, which couples the parametric model with a diffusion model. Our results show that diffusion-based approaches reproduce climatological precipitation statistics with high skill, including distributional tails and spatially compounded extremes, while generating spatially detailed fields. However, none of the assessed models consistently accounts for the most extreme RCM-simulated events within its uncertainty envelope. Diffusion models are therefore promising for probabilistic RCM emulation, but progress is still required before they can reliably represent high-impact precipitation extremes.
• Abstract（参考訳）: エミュレータは、その動的ダウンスケーリング機能をキャプチャすることで、地域気候モデル(RCM)に代わる費用対効果を提供する。 これらは、大域気候モデル(GCM)でシミュレートされた大規模予測器を、ターゲット変数のRCMシミュレーションされた高分解能場にリンクする。 機械学習の手法、一般的にディープラーニングは計算時間とエネルギーでRCMを実行するよりも安価である。 これらのうち、生成モデルは、予測子と整合した局所的な高分解能場のアンサンブルをシミュレートできるので、魅力的である。 このアンサンブルは不確実性エンベロープと呼ばれ、付加価値について適切に評価されなければならない。 ここでは3つのコントリビューションを行います。 まず、新しい2段階拡散に基づくフレームワークであるParamDiffusionを紹介し、最先端拡散手法と比較する。 第2に、気候科学のニーズに合わせた包括的な枠組みを通じて、極端を含む特定の降水現象を調査し、標準検証を拡張します。 第三に、このフレームワーク内では、決定論的手法に対する拡散アプローチの付加価値を評価する。 我々は,降水尾を捉えるために設計された決定論的モデル,それに基づくパラメトリック確率モデル,最近提案された拡散モデル,パラメトリックモデルと拡散モデルとを結合するパラム拡散という4つのディープラーニングモデルを相互比較する。 以上の結果から,拡散型アプローチは分布尾や空間的に複合した極端を含む高度の気候降水統計を再現し,空間的に詳細なフィールドを生成する。 しかしながら、評価されたモデルのうちどのモデルも、不確実性封筒内の最も極端なRCMシミュレーションイベントを常に説明していない。 したがって拡散モデルは確率的RCMエミュレーションに期待できるが、高い影響の降水極度を確実に表すためには、まだ進歩が必要である。

関連論文リスト

• 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)
• China Regional 3km Downscaling Based on Residual Corrective Diffusion Model [39.12803910865843]
  この研究は、低解像度と高解像度の歴史的データの統計的関係を確立する統計的ダウンスケーリングに焦点を当てている。 CorrDiffのオリジナルの作品とは対照的に、この作品で考慮された地域は40倍近く大きい。 ディープラーニングはこのタスクの強力なツールとして登場し、様々な高性能超解像モデルを生み出している。
  論文  参考訳（メタデータ） (2025-12-05T02:27:08Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Diffusion models for probabilistic precipitation generation from atmospheric variables [1.6099193327384094]
  地球系モデル(ESM)では、降水は明示的には解決されず、パラメータ化によって表される。 本稿では,条件付き拡散モデルとUNetアーキテクチャを統合した生成機械学習に基づく新しい手法を提案する。 従来のパラメータ化とは異なり、我々のフレームワークは効率的にアンサンブル予測を生成し、降水の不確実性を把握し、手作業による微調整を必要としない。
  論文  参考訳（メタデータ） (2025-04-01T00:21:31Z)
• TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
  急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。 当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• 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)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
  本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。 スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
  論文  参考訳（メタデータ） (2022-08-30T09:09:43Z)

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。