論文の概要: From Regional to Global: Transfer Learning for Atmospheric Transport Emulators
- arxiv url: http://arxiv.org/abs/2609.23838v1
- Date: Sun, 20 Sep 2026 19:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.007881
- Title: From Regional to Global: Transfer Learning for Atmospheric Transport Emulators
- Title（参考訳）: 地域からグローバルへ:大気輸送エミュレータの伝達学習
- Abstract要約: 温室効果ガス排出量の推定は、大気濃度の観測と化学輸送モデルを組み合わせることで得られる。
以前は、英国気象庁のLPDMよりも1000倍高速に、南アメリカ上空のLPDM出力を近似する高性能な大気輸送エミュレータを開発していた。
本研究では,4つの世界領域にまたがるモデルの空間伝達能力を評価する。
- 参考スコア（独自算出の注目度）: 0.07037008937757393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Greenhouse gas emissions estimates can be derived using inverse methods by combining atmospheric concentration observations with chemical transport models. The latter traditionally use physics-driven simulators such as Lagrangian Particle Dispersion Models (LPDMs), which are expensive to run and do not scale well to modern satellites' high resolution data. Previously we developed a performant atmospheric transport emulator that approximates LPDM outputs ("footprints") over South America ~1,000X faster than the UK Met Office's LPDM. Expanding towards global emulation is not straightforward, as atmospheric transport is regionally heterogeneous. This paper evaluates spatial transferability capabilities of models across four world regions: South America, East Asia, South Asia, North Africa using both region-specific and multi-region models, and leave-one-region-out experiments. Regional differences are characterised in the context of input variable and output footprint distributions. This work builds intuition in cross-region generalisation and transfer learning, aiding regional performance towards efficient global emissions estimates.
- Abstract（参考訳）: 大気濃度の観測と化学輸送モデルを組み合わせることで、逆法による温室効果ガス排出量の推定を導出することができる。
後者は伝統的にラグランジアン粒子分散モデル (LPDMs) のような物理駆動のシミュレータを使用しており、これは実行に高価であり、現代の衛星の高解像度データには適さない。
以前は、南アメリカ上空のLPDM出力(フットプリント)を、英国メットオフィスのLPDMの約1000倍高速に近似する高性能な大気輸送エミュレータを開発していた。
大気輸送は地域的に異質であるため、グローバルエミュレーションへの拡大は容易ではない。
本稿は,南アメリカ,東アジア,南アジア,北アフリカという4つの世界地域のモデルにおいて,地域特化モデルと多地域モデルの両方を用いて空間伝達能力を評価する。
地域差は入力変数と出力フットプリント分布の文脈で特徴づけられる。
この研究は、地域間一般化と移動学習の直観を構築し、効率的なグローバルエミッション推定に向けた地域パフォーマンスを支援する。
関連論文リスト
- Skillful Kilometer-Scale Regional Weather Forecasting via Global and Regional Coupling [13.378669933059015]
本稿では,地域気象予報のためのグローバル・リージョン結合フレームワークを提案する。
Transformerベースのグローバルモデルと、新しい双方向結合モジュールであるScaleMixerを介して、高解像度の地域ネットワークを結合する。
このフレームワークは、$0.05circ$(sim 5 mathrmkm$ )で、中国の1時間の解像度で、グリッド化されたリアナリシスデータとリアルタイム気象観測の両方で、運用上のNWPとAIベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-03-30T08:40:36Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - RainShift: A Benchmark for Precipitation Downscaling Across Geographies [21.183274939386088]
地理的分布シフト下でのダウンスケーリングを評価するためのデータセットとベンチマークであるRainShiftを紹介した。
我々は、グローバル・ノースとグローバル・サウスの間のデータギャップをまたいだ一般化において、GANや拡散モデルを含む最先端のダウンスケーリング手法を評価した。
我々の研究は、ダウンスケーリング手法のグローバルな適用性を高め、高解像度の気候情報へのアクセスにおける不平等を減らすための一歩である。
論文 参考訳（メタデータ） (2025-07-07T12:25:14Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - Locality Preserving Markovian Transition for Instance Retrieval [59.16243976912006]
局所保存マルコフ遷移(LPMT)フレームワークは,複数状態の長期熱力学的遷移プロセスを用いて正確な多様体距離測定を行う。
提案するLPMTは,BCD(Bidirectional Collaborative Diffusion)を用いて,各グラフ間の拡散過程を統合することにより,強い類似性関係を確立する。
その後、Locality State Embedding (LSE)は各インスタンスを分散にエンコードし、ローカル一貫性を向上する。
これらの分布は熱力学的マルコフ遷移(TMT)プロセスを介して相互接続され、局所的な有効性を維持しながら効率的な大域的探索を可能にする。
論文 参考訳（メタデータ） (2025-06-05T16:07:31Z) - 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) - Machine learning emulation of precipitation from km-scale regional climate simulations using a diffusion model [22.255982502297197]
高解像度の気候シミュレーションは気候変動の影響を理解するのに有用である。
CPMGEMは2.2km分解能の地域CPMによる降水シミュレーションをはるかに低コストでシミュレートする。
運転する地球規模の気候モデルの60kmの解像度で入力を受け取り、これらを8.8kmまでダウンスケールし、平均時分解能を持つ。
論文 参考訳（メタデータ） (2024-07-19T09:42:20Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Physically Constrained Generative Adversarial Networks for Improving Precipitation Fields from Earth System Models [0.0]
既存のポストプロセッシング手法はESMシミュレーションを局所的に改善できるが、モデル化された空間パターンの誤りを訂正することはできない。
本研究では,局所分布と空間構造を同時に改善するための,物理的に制約された生成逆ネットワーク(GAN)に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-25T15:19:10Z) - 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)
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。