論文の概要: Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control

• arxiv url: http://arxiv.org/abs/2607.18298v1
• Date: Mon, 13 Jul 2026 18:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.16538
• Title: Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control
• Title（参考訳）: 動的モード分解と制御を用いた単一実現における異方性と内部の気候変動
• Abstract要約: 一つの気候実現を強制的および内部的構成要素に分解できることが示される。 本稿では,非自律力学系理論に基づくPullbackDMDcを紹介する。
• 参考スコア（独自算出の注目度）: 11.782311747281414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that a single climate realization can be decomposed into forced and internal components by treating external forcing as a dynamical driver within a linear stochastic system, an idea grounded in pullback attractor theory. In doing so, we address a central methodological challenge in climate science with direct implications for climate projection and the detection and attribution of the forced response, disentangling the forced climate response from internal variability in a single observed record. Statistical methods range from approaches trained on large ensembles to techniques operating on single realizations. The latter often rely on linear frameworks such as linear inverse models (LIMs) and linear regression. LIMs ignore forcing predictors, whereas linear regression omits climate system dynamics. Here we introduce PullbackDMDc, a method grounded in non-autonomous dynamical systems theory and dynamic mode decomposition with control (DMDc), incorporating pullback attractor estimation to decompose a single climate realization into spatial modes and their associated forced and internal components, yielding a physically interpretable picture of the underlying dynamics. We illustrate the utility of PullbackDMDc for Earth System Model (ESM) evaluation by applying it to near-surface air temperature and sea-level pressure from reanalysis and four ESM large ensembles. PullbackDMDc estimates the forced response with skill matching or exceeding established baselines and identifies optimal forcing predictors against model-based ground truth. Its internal variability components reveal that ESMs qualitatively capture interannual and decadal modes while exhibiting systematic differences relative to each other and to observations. Skillful forced response estimation and a novel decomposition position PullbackDMDc as a practical tool for single-realization climate analysis and ESM evaluation.
• Abstract（参考訳）: 線形確率系において, 外部強制を動的ドライバとして扱うことにより, 一つの気候実現を強制的・内部的構成要素に分解できることを示す。 そこで, 気象学における中心的な方法論的課題を, 温暖化予測と強制応答の検出と帰結によって解決し, 一つの観測記録において, 内部変動性から強制応答を遠ざけている。 統計的手法は、大きなアンサンブルで訓練されたアプローチから、単一の実現で動く手法まで様々である。 後者はしばしば線形逆モデル(LIM)や線形回帰のような線形フレームワークに依存している。 LIMは予測器を無視するが、線形回帰は気候システムのダイナミクスを省略する。 本稿では,非自律力学系理論と動的モード分解制御(DMDc)を基礎としたPullbackDMDcを紹介する。 本研究では,地球系モデル(ESM)評価におけるPullbackDMDcの有用性について述べる。 PullbackDMDcは、スキルマッチングまたは確立されたベースラインを超える強制応答を推定し、モデルに基づく地上真実に対する最適な予測者を特定する。 内部の変動成分により、ESMは周期的および周期的モードを定性的に捉え、相互と観測との系統的な差異を示す。 単実化気候解析とESM評価のための実用ツールとして, 巧妙な強制応答推定と新しい分解位置PullbackDMDcを用いた。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Hierarchical Testing of a Hybrid Machine Learning-Physics Global Atmosphere Model [9.985969370583426]
  機械学習(ML)ベースのモデルは、高い技術と計算効率を示しており、しばしば天気や季節下予測において従来の物理学ベースのモデルよりも優れている。 ここでは、光学的スケールの現象、年々の変動性、分布外均一な強制を対象とする3つの実験セットを設計する。 我々は,力学コアをMLベースコンポーネントに統合したハイブリッドモデルであるNeural General Circulation Model(NeuralGCM)を,観測と物理に基づく地球系モデル(ESM)に対して評価した。
  論文  参考訳（メタデータ） (2026-02-11T19:34:50Z)
• 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)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Probing forced responses and causality in data-driven climate emulators: conceptual limitations and the role of reduced-order models [0.0]
  現在のニューラルな気候エミュレータは、すべての複雑さで大気-海洋系を解決しようとするが、しばしば強制的な反応の再現に失敗する。 本研究では, 表面温度場と放射フラックスの結合変動を解析するためのニューラルモデルを構築した。
  論文  参考訳（メタデータ） (2025-06-27T18:04:36Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• 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)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。