論文の概要: Precipitation Downscaling Using Foundation Model-Conditioned Diffusion
- arxiv url: http://arxiv.org/abs/2608.25858v1
- Date: Wed, 26 Aug 2026 14:30:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.864579
- Title: Precipitation Downscaling Using Foundation Model-Conditioned Diffusion
- Title（参考訳）: 基礎モデルに基づく拡散を用いた降水ダウンスケーリング
- Abstract要約: 高分解能降水場は、水文学的な影響評価には不可欠であるが、地球規模の気候モデル出力は、非常に粗いため、直接の使用には偏りがある。
降水量減少に適応した拡散確率モデルに対する3つの条件付け手法について検討した。
連結条件付けは、ポイントワイドCRPSとMSEの最低値を達成するが、高強度イベントを抑制する過度に滑らかなフィールドを生成する傾向がある。
クロスアテンション条件付けは、スペクトルの忠実度を大幅に改善し、分布リアリズムを大幅に改善する。
- 参考スコア（独自算出の注目度）: 1.1848987098427715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution precipitation fields are essential for hydrological impact assessment, yet global climate model outputs are too coarse and biased for direct use. AI-based statistical downscaling with diffusion models offers a promising approach, but the mechanism by which large-scale atmospheric predictors condition generation remains largely unexplored. We investigate three conditioning strategies for a denoising diffusion probabilistic model applied to daily precipitation downscaling: channel concatenation of upsampled coarse predictors, cross-attention conditioning with a learned convolutional encoder, and cross-attention conditioning with the frozen encoder of the pretrained Prithvi WxC weather foundation model. All strategies are evaluated against an unconditioned baseline under identical conditions using probabilistic, distributional, spectral, and extreme-event metrics for the Colorado River Basin. Concatenation conditioning achieves the lowest point-wise CRPS and MSE, but tends to produce over-smoothed fields that suppress high-intensity events. In contrast, cross-attention conditioning provides substantially better distributional realism and modest improvements in spectral fidelity. Improvements are greatest for extremes: the Prithvi-WxC conditioned model retains over half of >100mm/day events, although estimates are uncertain due to limited samples. When trained on the full dataset, the learned convolutional model performs similarly to the foundation model-conditioned approach while requiring lower computational resources. However, the Prithvi-WxC-conditioned model achieves comparable performance with only five years of training data. These results indicate that cross-attention conditioning offers advantages over simple concatenation for probabilistic precipitation downscaling, and that pre-trained foundation model representations may offer benefits in data-limited settings.
- Abstract（参考訳）: 高分解能降水場は、水文学的な影響評価には不可欠であるが、地球規模の気候モデル出力は、非常に粗いため、直接の使用には偏りがある。
AIに基づく拡散モデルによる統計的ダウンスケーリングは、有望なアプローチを提供するが、大規模な大気予測器条件生成のメカニズムはほとんど解明されていない。
降水量減少に適応する拡散確率モデルに対する条件付け方策として, アップサンプリングされた粗い予測器のチャネル結合, 学習した畳み込みエンコーダによるクロスアテンション条件, 事前訓練されたプリスヴィWxC気象基礎モデルの凍結エンコーダによるクロスアテンション条件付けについて検討した。
全ての戦略は、コロラド川流域の確率的、分布的、スペクトル的、極端な測定値を用いて、同じ条件下で無条件のベースラインに対して評価される。
連結条件付けは、ポイントワイドCRPSとMSEの最低値を達成するが、高強度イベントを抑制する過度に滑らかなフィールドを生成する傾向がある。
対照的に、クロスアテンション条件付けは、スペクトルの忠実性において、かなり優れた分布的リアリズムと控えめな改善をもたらす。
Prithvi-WxC条件付きモデルは100mm/日の半分以上を維持できるが、限られたサンプルのために推定は不確実である。
学習した畳み込みモデルは、全データセットでトレーニングされると、より低い計算資源を必要としながら、基礎モデル条件のアプローチと同じような動作を行う。
しかし、Prithvi-WxC条件付きモデルは、わずか5年間のトレーニングデータで同等のパフォーマンスを達成する。
これらの結果から,クロスアテンション条件は,確率的降水ダウンスケーリングの単純な結合よりも有利であり,事前学習された基礎モデル表現は,データ制限設定において有利である可能性が示唆された。
関連論文リスト
- Regional Climate Model Emulation with Diffusion Approaches: What is the Added Value of Generative Machine Learning? [0.0]
2段階拡散に基づく新しいフレームワークであるParamDiffusionを紹介する。
気候科学のニーズに合わせた包括的枠組みを通じて、標準検証を拡大する。
決定論的手法に対する拡散アプローチの付加価値を評価する。
論文 参考訳（メタデータ） (2026-06-12T15:46:35Z) - 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) - Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - CRPS-LAM: Regional ensemble weather forecasting from matching marginals [12.929305404466747]
CRPS-LAMは,CRPSに基づいて学習した確率的LAM予測モデルである。
モデルに1つの遅延ノイズベクトルをサンプリングして注入することにより、CRPS-LAMは1つの前方通過でアンサンブル部材を生成する。
CRPS-LAMが拡散モデルの低誤差と一致するMEPS領域データセット上でモデルを評価した。
論文 参考訳（メタデータ） (2025-10-10T15:48:31Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - Downscaling Precipitation with Bias-informed Conditional Diffusion Model [10.545983522538085]
現在のグローバル気候モデルでは、局所分析には大きすぎる空間分解能で運用されている。
ディープラーニングに基づく統計的ダウンスケーリング手法は、有望なソリューションを提供する。
降水の統計的ダウンスケーリングのためのバイアスインフォームド条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-12-19T05:36:52Z) - 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) - PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。
決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。
カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
論文 参考訳（メタデータ） (2023-12-11T02:38:07Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z)
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。