論文の概要: Temporal Bridges for Spatial Resolution: Enhancing Climate Data Super-Resolution with Bidirectional Alignment
- arxiv url: http://arxiv.org/abs/2608.05981v1
- Date: Thu, 06 Aug 2026 12:58:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.905176
- Title: Temporal Bridges for Spatial Resolution: Enhancing Climate Data Super-Resolution with Bidirectional Alignment
- Title（参考訳）: 空間分解のためのテンポラルブリッジ:双方向アライメントによる気候データ超解法の強化
- Abstract要約: 高解像度の気候データは気象予報や様々な領域での意思決定支援に不可欠である。
これらのモデルは、気候データ超解像(SR)と呼ばれるプロセスである低分解能入力から微粒な気候データを生成することを目的としている。
- 参考スコア（独自算出の注目度）: 19.351153762003225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution climate data is crucial for meteorological predictions and for informing decision support across diverse domains. However, the acquisition of such high-resolution climate information is often prohibitively costly, necessitating the development of data-driven meteorological prediction models. These models aim to generate fine-grained climate data from low-resolution inputs, a process termed climate data super-resolution (SR). Nevertheless, recent advancements in deep learning for climate data SR have primarily focused on leveraging single-frame spatial information, largely neglecting the temporal correlations between different time frames that could enhance SR outcomes. Furthermore, climate data are inherently stochastic and noisy, rendering widely used temporal alignment methods, such as optical flow models, ineffective in this context. Consequently, the development of a framework tailored for climate data SR that effectively captures implicit temporal correlations remains an unresolved challenge. To this end, we propose a novel Temporal-Enhanced framework with bidirectional temporal alignment. In essence, our framework establishes a temporal bridge to enhance spatial resolution in climate data SR through bidirectional alignment, leading to improved SR performance. Within this framework, Paired Latent Mapping achieves spatial alignment and noise reduction by unifying latent spaces. Then a Bidirectional Temporal Alignment captures temporal correlations by training forward and backward networks on consecutive latent frames. Temporal Enhanced Super-resolution then optimizes the entire framework for climate data SR. Experiments on large-scale real-world datasets demonstrated the superior performance of our framework.
- Abstract（参考訳）: 高解像度の気候データは気象予報や様々な領域での意思決定支援に不可欠である。
しかし、このような高解像度気象情報の取得は、データ駆動気象予報モデルの開発を必要とするため、しばしば不当にコストがかかる。
これらのモデルは、気候データ超解像(SR)と呼ばれるプロセスである低解像度入力から、きめ細かい気候データを生成することを目的としている。
しかし、近年の気候データ SR の深層学習の進歩は、主に1フレームの空間情報を活用することに焦点を合わせており、SR の結果を高める可能性のある異なる時間フレーム間の時間的相関を無視している。
さらに、気候データは本質的に確率的でノイズがあり、この文脈では光学フローモデルのような広く使われている時間的アライメント法は効果がない。
その結果、暗黙の時間的相関を効果的に捉えた気候データSRに適したフレームワークの開発は、未解決の課題である。
そこで本稿では,双方向の時間的アライメントを備えた新しい時間拡張フレームワークを提案する。
本フレームワークは,気候データSRにおける空間分解能を高めるために,双方向アライメントによる時間的ブリッジを構築し,SR性能の向上を図っている。
この枠組みの中で、ペア付き潜時マッピングは、潜時空間を統一することにより空間的アライメントとノイズ低減を実現する。
次に、双方向時間アライメントは、連続した潜伏フレーム上の前方及び後方ネットワークをトレーニングすることにより、時間的相関をキャプチャする。
時間拡張スーパーレゾリューションは、気候データSRのためのフレームワーク全体を最適化する。
大規模な実世界のデータセットの実験は、我々のフレームワークの優れた性能を実証した。
関連論文リスト
- Domain-Adaptive Climate Downscaling Under Temporal Distribution Shift [4.204964414976613]
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。
論文 参考訳（メタデータ） (2026-07-06T21:12:48Z) - El Nino Prediction Based on Weather Forecast and Geographical Time-series Data [0.20524609401792393]
本稿では,El Nioイベントの予測精度とリードタイムを向上させるための新しいフレームワークを提案する。
本フレームワークは, リアルタイムな気象予報データを, 異常, 海底熱量, 大気圧と統合する。
論文 参考訳（メタデータ） (2026-04-05T21:10:59Z) - ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting [15.342825336354876]
我々は,グローバル気象予測のための適応ロールアウト型マルチスケールルーティング手法であるARROWを提案する。
モデル内では、Shared-Private Mixture-of-Expertsは、時間スケールにわたる大気力学の共有パターンと特定の特性の両方をキャプチャする。
第2に、現在の気象状況に応じて最適な時間間隔を選択する強化学習に基づく適応的なロールアウトスケジューラを開発する。
論文 参考訳（メタデータ） (2025-10-10T14:00:59Z) - 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) - 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) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - 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) - Deep generative model super-resolves spatially correlated multiregional
climate data [5.678539713361703]
逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。
提案手法は,気候変動の影響を地域間一貫した評価に有効である。
本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
論文 参考訳（メタデータ） (2022-09-26T05:45:16Z)
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。