論文の概要: Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability
- arxiv url: http://arxiv.org/abs/2608.01864v1
- Date: Mon, 03 Aug 2026 08:14:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.394931
- Title: Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability
- Title（参考訳）: 干ばつ予測のための確率論的深層学習 : 内部気候変動の役割
- Abstract要約: ヨーロッパ干ばつ予測のためのディープラーニングに基づく予測フレームワークを提案する。
我々は、大規模な気候モデルアンサンブルから内部の予測変動を明示的に含んでいる不確実性に配慮した干ばつで拡張する。
この結果から, 内部変動は予測量として扱われるべきであることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting drought risk is essential for anticipating impacts on water resources, agriculture, ecosystems, and climate adaptation planning. Yet drought forecasts remain uncertain because variability can substantially alter regional precipitation and evaporative demand. Treating this variability as unstructured noise ignores the fact that internal variability has spatial, seasonal, and temporal structure and thus contains information that can be used to improve drought forecasting. We propose a deep-learning-based forecasting framework for European drought prediction and extend it with an uncertainty-aware drought bound that explicitly incorporates internal forecast variability from a large climate model ensemble. This bound represents a physically plausible lower-tail trajectory of future drought conditions and marks how severe drought could plausibly become under an unfavourable realisation of internal variability, giving adaptation planning a conservative, risk-averse reference. We compare the proposed bound with a lower bound derived from reanalysis data only and show that our proposed ensemble-informed bound is better calibrated across most regions and seasons. This is specifically true during anomalously dry conditions, when historical reanalysis alone underestimates lower-tail drought risk. Our results show that internal variability should be treated as a forecast quantity in its own right. More broadly, large ensembles provide a practical way to transfer physically plausible climate variability into machine-learning drought forecasts, yielding risk-aware bounds that are more informative for drought assessment under shifting climate conditions.
- Abstract（参考訳）: 干ばつリスクの予測は、水資源、農業、生態系、気候適応計画への影響を予測するために不可欠である。
しかし、変動性は地域降水量や蒸発需要を大きく変化させる可能性があるため、干ばつ予測はいまだに不透明である。
この変動を非構造ノイズとして扱うことは、内部の変動が空間的、季節的、時間的構造を持つという事実を無視しており、干ばつ予測を改善するために使用できる情報を含んでいる。
本研究では,欧州の干ばつ予測のための深層学習に基づく予測フレームワークを提案する。
この境界線は、将来の干ばつ状態の物理的にもっとも確実な下尾軌道を表しており、厳しい干ばつが、不利な内部変動の実現の下でいかに深刻な干ばつになるかを示すものであり、適応計画が保守的でリスク回避の基準となる。
提案した境界値と再解析データのみから導出した下限値とを比較して,提案するアンサンブルインフォームド境界値がほとんどの地域や季節にわたってより良い校正値を示す。
これは、歴史的再分析だけで低尾干ばつリスクを過小評価する場合に特に当てはまる。
この結果から, 内部変動は予測量として扱われるべきであることが示唆された。
より広範に、大きなアンサンブルは、物理的にもっともらしい気候変動を機械学習の干ばつ予測に転送する実践的な方法を提供し、気候変動下での干ばつ評価にとってより有意義なリスク対応境界をもたらす。
関連論文リスト
- EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。
WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。
我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文 参考訳（メタデータ） (2025-12-09T17:20:56Z) - Forecasting precipitation in the Arctic using probabilistic machine learning informed by causal climate drivers [0.0]
本研究では,降水の動態と重症度をモデル化し,予測するための確率論的機械学習フレームワークを提案する。
不確実性を考慮するために、校正された非パラメトリック予測区間の生成を可能にする共形予測法を用いる。
論文 参考訳（メタデータ） (2025-10-28T10:05:34Z) - Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration [0.0]
季節予測システムは、しばしばバイアスを示し、複雑な時間誤差を予測する。
本稿では,条件付き変分オートエンコーダモデルに基づく確率的誤り訂正フレームワークを提案する。
調整された予測は観測分布に適しており、気候学的平均調整された予測よりも誤差が小さいことを示す。
論文 参考訳（メタデータ） (2025-10-10T22:17:29Z) - DroughtSet: Understanding Drought Through Spatial-Temporal Learning [10.430055605915895]
干ばつは最も破壊的で高価な自然災害の1つである。
我々は,関連する予測機能と3つの干ばつ指標を統合した新しいデータセットDroughtSetを提案する。
本モデルは物理・生物学的特徴の空間的・時間的情報から学習し,3種類の干ばつを同時に予測する。
論文 参考訳（メタデータ） (2024-12-19T17:24:15Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - 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) - Deep Ensembles to Improve Uncertainty Quantification of Statistical
Downscaling Models under Climate Change Conditions [0.0]
統計的ダウンスケーリングモデルの不確実性定量化を改善するための簡単な方法としてディープアンサンブルを提案する。
ディープアンサンブルはより優れたリスク評価を可能にし、気候変動に対処するためのセクターのアプリケーションによって非常に要求される。
論文 参考訳（メタデータ） (2023-04-27T19:53:18Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳（メタデータ） (2020-10-27T21:02:26Z)
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。