論文の概要: Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift
- arxiv url: http://arxiv.org/abs/2607.05645v1
- Date: Mon, 06 Jul 2026 21:12:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.33189
- Title: Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift
- Title（参考訳）: 時間分布シフト下におけるドメイン適応型気候ダウンスケーリング
- Abstract要約: 深層学習に基づく気候下降は、歴史的低分解能(LR)と高分解能(HR)気候データから関係を学習し、HR気候予測を生成することを目的としている。
過去のデータに基づいてトレーニングされたモデルは、トレーニング期間と大きく異なる分布を持つ将来の予測に一般的に適用される。
本稿では,歴史的データに基づくHR再構築と,過去の気候分布と将来の気候分布のドメインアライメントを組み合わせた,時間的ドメイン適応型ダウンスケーリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.204964414976613
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning-based climate downscaling aims to learn relationships from historical low-resolution (LR) and high-resolution (HR) climate data to generate HR climate projections. However, this setting faces a temporal out-of-distribution (OOD) challenge: models trained on historical data are commonly applied to future projections whose distributions may differ substantially from the training period. This study investigates temporal OOD shift for daily temperature downscaling over the Continental United States using paired LR-HR model simulations. We propose a temporal domain-adaptive downscaling framework that combines supervised HR reconstruction on historical data with domain alignment between historical and future climate distributions. Experiments across future validation periods show that the proposed domain-adaptive model consistently outperforms statistical and deep-learning-based bias-correction methods, with the largest gains occurring when the temporal distribution shift is strongest. Spatial analyses indicate stronger improvements over high-elevation and topographically complex regions, along with higher spatiotemporal correlation with the HR target. The extreme analysis shows that domain adaptation also reduces upper-tail temperature bias relative to the non-adaptive model. These results demonstrate that temporal domain adaptation can improve the robustness of HR climate projections under non-stationary climate conditions.
- Abstract（参考訳）: 深層学習に基づく気候下降は、歴史的低分解能(LR)と高分解能(HR)気候データから関係を学習し、HR気候予測を生成することを目的としている。
しかし、この設定は、時間外配布(OOD)の課題に直面しており、歴史的データに基づいてトレーニングされたモデルは、トレーニング期間と大きく異なる分布を持つ将来の予測に適用される。
本研究では, LR-HRモデルシミュレーションを用いて, 日内温度ダウンスケーリングの経時的OODシフトについて検討した。
本稿では,歴史的データに基づくHR再構築と,過去の気候分布と将来の気候分布のドメインアライメントを組み合わせた,時間的ドメイン適応型ダウンスケーリングフレームワークを提案する。
将来の検証期間における実験により、提案されたドメイン適応モデルは、時間分布シフトが最強である場合に最も多く生じる統計的およびディープラーニングに基づくバイアス補正法を一貫して上回ることを示した。
空間分析の結果,高標高域と地形学的に複雑な領域よりも,HR目標との時空間的相関が強くなったことが示唆された。
極端な分析により、ドメイン適応は非適応モデルと比較して上尾温度バイアスを減少させることが示された。
これらの結果から,時間領域適応は,非定常気候条件下での人為的気候予測の堅牢性を向上させることが示唆された。
関連論文リスト
- Temporal Coverage over Density: Parsimonious Training-Set Design for ML Climate Downscaling [6.383771493909507]
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。
論文 参考訳（メタデータ） (2026-06-05T23:16:38Z) - 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) - 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) - 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) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-19T03:38:53Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - 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 High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳（メタデータ） (2023-12-12T09:39:52Z) - 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) - 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。