論文の概要: Understanding Perturbed Parameter Ensemble Sensitivities Using A Contrastive Learning Approach
- arxiv url: http://arxiv.org/abs/2609.30420v1
- Date: Thu, 24 Sep 2026 18:15:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.098886
- Title: Understanding Perturbed Parameter Ensemble Sensitivities Using A Contrastive Learning Approach
- Title（参考訳）: コントラスト学習アプローチを用いた摂動パラメータアンサンブル感の理解
- Abstract要約: 摂動パラメータアンサンブル(PPE)は、物理パラメータが気候シミュレーションにどのように影響するかを明らかにする。
我々は、5ヶ月の雲と放射場を共有表現空間にマッピングする説明可能な対照的な学習モデルを開発した。
- 参考スコア（独自算出の注目度）: 2.424164886123515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Perturbed parameter ensembles (PPEs) reveal how physics parameters affect climate simulations, but interpreting parameter sensitivities across multivariate, spatially structured outputs remains challenging, particularly when calibrating models against observations. We develop an explainable contrastive learning model that maps 5 monthly cloud and radiation fields into a shared representation space. We train the model on the fields of two 100-member Community Atmosphere Model version 6 (CAM6) PPEs, spanning 34 parameters, that only differ in the warm rain microphysics scheme: KK2000, the default bulk microphysics scheme, and TAU-ML, a neural network emulator of a bin microphysics scheme. The learned representations separates two PPEs with over 94\% linear classification accuracy while preserving the seasonal variability and ensemble spread due to parameter perturbations. In the shared representation space, the representations of satellite observations occupy the same low-dimensional manifold as the PPEs but are displaced from them most strongly during boreal spring and autumn. TAU-ML PPE has a lower distance to observations compared to KK2000 in the representation space. Integrated Gradients attributions highlights the contributions in subtropical low-cloud regions, Northern and Southern Hemisphere storm track regions, and tropical convection regions to differences between PPEs and observations. Regional attributions correlate most strongly with parameters associated with cloud microphysics, boundary layer turbulence, and deep convection. These results demonstrate that explainable representations of climate fields can attribute model differences to specific variables, regions, seasons, and physical parameters.
- Abstract（参考訳）: 摂動パラメータアンサンブル(英語版)(PPE)は、物理パラメータが気候シミュレーションにどのように影響するかを明らかにするが、多変量、空間的に構造化された出力のパラメータ感度を解釈することは、特に観測に対するモデルの校正において困難である。
我々は、5ヶ月の雲と放射場を共有表現空間にマッピングする説明可能な対照的な学習モデルを開発した。
我々は,CAM6(Community Atmosphere Model Version 6) PPE(34のパラメータにまたがる)の2つのフィールドでモデルをトレーニングし,温暖雨マイクロフィジカルスキーム(KK2000,デフォルトのバルクマイクロフィジカルフィジカルスキーム)と,ビンマイクロフィジカルスキーム(bin Microphysics scheme)のニューラルネットワークエミュレータTAU-ML(TAU-ML)の2つのモデルについて検討した。
学習された表現は、パラメータ摂動による季節変動とアンサンブルの拡散を保ちながら、94\%以上の線形分類精度を持つ2つのPPEを分離する。
共有表現空間では、衛星観測の表現はPPEと同じ低次元多様体を占有するが、春と秋に最も強く変位する。
TAU-ML PPEはKK2000よりも観測距離が小さい。
統合的なグラディエント属性は、亜熱帯低雲地域、北半球と南半球のストームトラック地域、熱帯対流地域でのPPEと観測の違いに対する貢献を強調している。
地域属性は、雲の微小物理学、境界層乱流、深い対流に関連するパラメータと最も強く相関している。
これらの結果は、気候場の説明可能な表現は、特定の変数、地域、季節、および物理的パラメータにモデルの違いを特性付けることができることを示している。
関連論文リスト
- Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - Spatially Aware Deep Learning for Microclimate Prediction from High-Resolution Geospatial Imagery [0.7829352305480287]
遠隔センシングが微気候温度予測への空間的コンテキストの寄与の定量化にどのように役立つかを示す。
ドローン由来の空間層と気象データを用いて、場所の地温を推定した。
その結果,空間的に隣接した情報を組み込むことで予測精度が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2026-02-27T05:45:10Z) - 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) - Cluster-Segregate-Perturb (CSP): A Model-agnostic Explainability Pipeline for Spatiotemporal Land Surface Forecasting Models [5.586191108738564]
本稿では、LIMEのような摂動に基づく説明可能性手法とPDPのようなグローバルな限界説明可能性の両方から原理を統合するパイプラインを提案する。
提案したパイプラインは,複雑な陸面予測モデルにおける限界感度解析,限界相関解析,ラグ解析などの多様な調査分析の実施を単純化する。
論文 参考訳（メタデータ） (2024-08-12T04:29:54Z) - Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations [8.71735078449217]
本稿ではメタラーニングを活用した統一的なダウンスケーリング手法を提案する。
ERA5, GFSから温度, 風, 表面圧力, 総降水量からなる変数を訓練した。
提案手法は, 対流降水量, 電位, エネルギー高さ, 湿度CFS, S2S, CMIP6の時間スケールに拡張可能である。
論文 参考訳（メタデータ） (2024-04-26T06:31:44Z) - Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models [0.724847561444869]
生成確率拡散モデルを用いて地球系モデル(ESM)をエミュレートする以前の研究を拡張した。
以上の結果から, 乾燥した呪文や熱いストリークなど, 各種気候指標におけるESMの出力とよく似た結果が得られた。
論文 参考訳（メタデータ） (2024-04-12T20:13:19Z) - Machine Learning based Parameter Sensitivity of Regional Climate Models
-- A Case Study of the WRF Model for Heat Extremes over Southeast Australia [0.0]
熱波や山火事は世界中の社会や生態系に大きな影響を及ぼす。
地域気候モデルは、これらの出来事のダイナミクスをよりよく理解するために一般的に使用される。
ここでは、熱極度の世界的なホットスポットの1つであるオーストラリア南東部に焦点をあてる。
論文 参考訳（メタデータ） (2023-07-27T07:02:06Z) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z)
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。