論文の概要: DySCo: Dynamically consistent data-driven downscaling of extremes in climate projections

• arxiv url: http://arxiv.org/abs/2608.21998v1
• Date: Sat, 22 Aug 2026 15:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.552815
• Title: DySCo: Dynamically consistent data-driven downscaling of extremes in climate projections
• Title（参考訳）: DySCo: 気候予測における極端の動的一貫したデータ駆動ダウンスケーリング
• Abstract要約: 動的および統計的に一貫性のあるダウンスケーリング(DySCo)を導入する。 DySCoは、粗いGCMダイナミクスと整合した高分解能の気候予測をもたらす非侵入的なフレームワークである。 コミュニティアースシステムモデル v2 大アンサンブル (LENS2) を時間と空間でダウンスケールし, 歴史的再解析を行う。
• 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: Regional climate risk assessment is critical for applications such as infrastructure design, disaster forecasting, and insurance resource allocation. However, estimating regional (i.e., high-spatial-resolution) risk with global climate models (GCMs) remains computationally prohibitive, which has driven the development of downscaling methods for coarse GCM outputs. Downscaling is vital for rare events, since quantifying their extreme properties requires high spatial resolution and very long GCM simulations. These methods non-intrusively increase GCM resolution while correcting statistical biases from unresolved fine-scale processes, thereby improving the accuracy of extreme event statistics with long return periods. A key challenge is preserving dynamical consistency, as freely evolving GCM trajectories are not expected to track the observational dataset used for training the correction operator. This is critical for causal extreme event analyses, where storyline-based risk assessment, i.e., extreme event catalogs, is necessary for effective planning. We address this challenge by introducing Dynamically and Statistically Consistent downscaling (DySCo), a non-intrusive framework yielding high-resolution climate projections consistent with coarse GCM dynamics. DySCo relies on a data-driven reformulation of nudging to create dynamically paired training trajectories without intrusive GCM modifications. Using these paired trajectories, we train a dynamically and statistically consistent, two-stage operator. We evaluate the method by downscaling the Community Earth System Model v2 Large Ensemble (LENS2) in time and space towards historical reanalysis. Results show DySCo achieves superior dynamical consistency with the coarse GCM trajectories, essentially applying a minimal, causal correction to the GCM, preserving top statistical performance comparable to state-of-the-art unsupervised models.
• Abstract（参考訳）: 地域気候のリスク評価は、インフラ設計、災害予報、保険資源配分といった応用に不可欠である。 しかし、グローバル気候モデル(GCM)による地域(高空間分解能)リスクの推定は、依然として計算的に禁止されており、粗いGCM出力のダウンスケーリング手法の開発が進められている。 なぜなら、それらの極端な性質を定量化するには、高い空間分解能と非常に長いGCMシミュレーションが必要であるからである。 これらの手法は、未解決の微細なプロセスから統計バイアスを補正しながら、GCMの分解能を非侵襲的に向上させ、長返り周期で極端な事象統計の精度を向上させる。 GCM軌道の自由に進化する軌道は、修正演算子を訓練するのに使用される観測データセットを追跡することが期待できないため、動的整合性を維持することが重要な課題である。 これは、ストーリーラインに基づくリスクアセスメント、すなわち極端なイベントカタログが効果的な計画に必要となる因果的極端なイベント分析にとって重要である。 我々は、粗いGCMダイナミクスと整合した高分解能気候予測をもたらす非侵入的フレームワークDySCo(Dynamically and Statistically Consistent downscaling)を導入することで、この問題に対処する。 DySCoは、データ駆動によるヌージングの再構成を頼りに、侵入的なGCM修正なしに動的にペアリングされたトレーニングトラジェクトリを作成する。 これらのペア軌道を用いて、動的かつ統計的に一貫した2段階演算子を訓練する。 コミュニティアースシステムモデル v2 大アンサンブル (LENS2) を時間と空間でダウンスケールし, 歴史的再解析を行う。 その結果、DySCoは粗いGCMトラジェクトリと優れた動的整合性を実現し、基本的には最小限の因果補正をGCMに適用し、最先端の教師なしモデルに匹敵する統計性能を保っていることがわかった。

関連論文リスト

• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling [4.531460290084765]
  本稿では,ゼロショット統計ダウンスケーリング(ZSSD)を提案する。 その結果、ZSSDは99分の1の誤差で既存のゼロショットベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-29T14:14:41Z)
• EnScale: Temporally-consistent multivariate generative downscaling via proper scoring rules [2.009844446990157]
  本稿では,全GCM-to-RCMマップをエミュレートする生成機械学習フレームワークであるEnScaleを紹介する。 最先端のMLダウンスケーリング手法と比較して、我々のセットアップは計算コストを約1桁削減する。
  論文  参考訳（メタデータ） (2025-09-30T13:46:14Z)
• Generative artificial intelligence improves projections of climate extremes [13.768093814009374]
  GCMは将来の気候を予測するのに不可欠であるが、その粗い解像度と高い計算コストは極端を表す能力を制限する。 本稿では,CMIP出力をダウンスケールする生成的ディープラーニングフレームワークであるFuXi-CMIPAlignを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T13:56:02Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling [0.276240219662896]
  時間ラプス地震イメージングはCO2の移動を追跡するのに不可欠であるが、多相下流の複雑さを捉えるのにしばしば苦労する。 非線形ベイズフィルタリングや生成AIといった機械学習駆動のデータ同化技術を活用するDigital Shadows(DS)は、より詳細で不確実性を認識した監視アプローチを提供する。 本研究では,様々な岩石物理モデルによる予測アンサンブルの増大が誤った仮定の影響を緩和し,予測精度を向上させることを示す。
  論文  参考訳（メタデータ） (2025-02-11T01:33:35Z)
• 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)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)

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。