論文の概要: Optimizing Geoengineering Interventions Using Differentiable Climate Models

• arxiv url: http://arxiv.org/abs/2609.12528v1
• Date: Fri, 11 Sep 2026 07:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.65657
• Title: Optimizing Geoengineering Interventions Using Differentiable Climate Models
• Title（参考訳）: 微分可能な気候モデルを用いたジオエンジニアリング介入の最適化
• Abstract要約: 我々は、新しいジオエンジニアリング制御戦略を示すために、微分可能な大気モデルを利用する。 学習した戦略は、実際の土地温暖化の922.3 pm 0.4% を2年間のロールアウトの10人組で除去する。 最適化目的として地温の空間パターンを用いると, 降水量, 蒸発量, 比湿度の分布も復元される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The deployment of a geoengineering program to cool Earth's climate may be imminent. It is crucial that tools be developed to ensure that such a program would achieve its objectives while minimizing disruption. Here we exploit recently developed differentiable atmospheric models to demonstrate a novel geoengineering control strategy. In the differentiable primitive-equation atmospheric model JAX-GCM we impose a uniform $+4$\,K ocean warming and ask what pattern of sea-surface temperature cooling -- in five ocean-masked zonal bands of prescribed SST forcings whose amplitudes are free -- returns land near-surface air temperature closest to the model's own unwarmed climatology. This idealized set-up represents a cooling pattern that could be delivered physically either by marine cloud brightening or stratospheric aerosol injection. Gradients through chaotic dynamics decorrelate from the true sensitivity beyond the Lyapunov horizon, so we optimize greedily over segments of 8 to 14 days, following receding-horizon control. The learned strategy removes $92.3 \pm 0.4\%$ of the realized land warming across a ten-member ensemble of two-year rollouts, and a three-year run sustains it. If we use the spatial pattern of land temperature as the optimization objective, the distributions of precipitation, evaporation, and specific humidity over land are restored as well, even though they are not included in the objective function. The learned strategy from JAX-GCM replayed in the AI emulators LUCIE and NeuralGCM without re-optimization is successful, suggesting robustness. These promising results demonstrate a strategy for designing optimal climate interventions that can be applied broadly for geoengineering scenarios under consideration.
• Abstract（参考訳）: 地球の気候を冷やすための地球工学プログラムの展開は差し迫っているかもしれない。 このようなプログラムが障害を最小限に抑えつつ目標を達成するためには,ツールの開発が不可欠である。 ここでは、最近開発された微分可能な大気モデルを利用して、新しいジオエンジニアリング制御戦略を実証する。 差別化可能な原始方程式大気モデル JAX-GCM では、均一な$4$\,Kの温暖化を課し、海面温度冷却のパターンを問う。 この理想的な設定は、海洋雲の輝きや成層圏エアロゾル注入によって物理的に届けられる冷却パターンを表している。 カオス力学による勾配は、リアプノフ地平線を超えた真の感度から相関するので、後退水平制御の後に8日から14日間の区間でグリーズリーに最適化する。 学習した戦略は、実際の土地温暖化の9,2.3 pm 0.4 % を2年間のロールアウトの10年間にわたるアンサンブルで取り除き、3年間のランニングで維持している。 最適化目的として地温の空間パターンを用いると, 目的関数に含まれていないにもかかわらず, 降水量, 蒸発量, 比湿度の分布も復元される。 AIエミュレータのLUCIEとNeuralGCMでは、再最適化なしでJAX-GCMから学んだ戦略が成功し、堅牢性を示している。 これらの有望な結果は、検討中の地球工学のシナリオに広く適用可能な、最適な気候介入を設計するための戦略を示すものである。

関連論文リスト

• Geospatial Diffusion-based Evolution Synthesis (GeoDES) for Storm-Centered Weather Augmentation [13.68177341402557]
  本稿では,GeoDES(Geospatial Diffusion-based Evolution Synthesis)モデルについて紹介する。 進化する嵐構造に厳密に焦点を合わせることで、GeoDESはストレステスト予測モデルや気象データセットの拡張に適した物理的に一貫した高忠実な気象事象を合成する。 評価の結果、GeoDESは主要な指標の先行手法よりも優れており、52%$Peak Vorticity Error が低く、8%$Anomaly correlation Coefficient が北大西洋テストセットの次の最強手法よりも高い。
  論文  参考訳（メタデータ） (2026-07-21T19:10:12Z)
• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation [5.5253906228458955]
  GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。 R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。 その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T18:05:43Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
  本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• 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)
• 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)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。 現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。