論文の概要: Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models

• arxiv url: http://arxiv.org/abs/2609.30995v1
• Date: Fri, 25 Sep 2026 08:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.299889
• Title: Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models
• Title（参考訳）: 気候モデルにおける強制力の効果の階層的因果表現の学習
• Abstract要約: 我々は,海面温度場に適用可能な因果表現学習フレームワークを,最先端のグローバル気候モデルから開発する。 本手法は, 温室効果ガスおよびエアロゾル濃度の変動に対する物理的にリアルな応答を示す。
• 参考スコア（独自算出の注目度）: 16.06790967556937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) emulators provide a fast and cost-effective method to simulate climate change scenarios after being trained on Earth System Models projections. However, the black-box nature of those data-driven approaches limit the usability and trustworthiness of their outputs and in particular their use as causal attribution tools. Here, we develop a hierarchical causal representation learning framework applied to sea surface temperature fields from a state-of-the-art global climate model. As a key advance over previous work, our framework explicitly models both atmospheric dynamical interactions arising from internal climate variability and forced responses due to changes in atmospheric greenhouse gas and aerosol concentrations. When trained on future climate change scenarios, our method accurately predicts the long-term global mean and regional temperature evolution and shows physically realistic responses to perturbations in greenhouse gas and aerosol concentrations when evaluated on unseen scenarios. Our results underline the potential of causal representation learning frameworks for advancing climate model emulation.
• Abstract（参考訳）: 機械学習エミュレータ(MLエミュレータ)は、アース・システム・モデル・プロジェクションでトレーニングされた後、気候変動シナリオをシミュレートする高速で費用効率のよい方法を提供する。 しかし、これらのデータ駆動アプローチのブラックボックスの性質は、アウトプットのユーザビリティと信頼性、特に因果属性ツールとしての使用を制限する。 本稿では,海面温度場に適用した階層的因果表現学習フレームワークを,最先端のグローバル気候モデルから開発する。 この枠組みは, 大気中の温室効果ガスとエアロゾル濃度の変化による内部変動と強制応答の両方から, 大気の動的相互作用をモデル化する。 今後の気候変動シナリオについて, 温室効果ガスとエアロゾル濃度の変動に対する物理的応答を, 未確認のシナリオで評価することにより, 長期の地球平均・地域温度の変動を正確に予測し, 物理的に現実的な応答を示す。 本研究は,気候モデルエミュレーションの進展にともなう因果表現学習フレームワークの可能性について考察した。

関連論文リスト

• Emulating the Forced Response of Climate Models with Flow Matching [2.449638259214665]
  共有社会経済パス(Shared Socioeconomic Pathways)は、世界経済と人口統計学の発展の様々なシナリオを記述している。 これらのSSPは、本来は気候変動の強制的な変化と結びついている。 気候モデルの実行は非常に計算コストが高い。 近年の研究では、機械学習を用いて気候モデルダイナミクスを捉える能力が実証されている。
  論文  参考訳（メタデータ） (2026-05-16T10:54:35Z)
• Do machine learning climate models work in changing climate dynamics? [3.912757881247533]
  本研究は,様々なアウト・オブ・ディストリビューション(OOD)シナリオにおいて,最先端のMLベースの気候モデルを体系的に評価する。 大規模なデータセットの実験では、シナリオ間での顕著なパフォーマンスのばらつきが示され、現在のモデルの強度と限界に光を当てている。
  論文  参考訳（メタデータ） (2025-09-15T17:12:49Z)
• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)
• HECT: High-Dimensional Ensemble Consistency Testing for Climate Models [1.7587442088965226]
  気候モデルは、気候変動が気候変動に与える影響を理解する上で重要な役割を担い、気候変動のリスクを軽減し、決定を通知する。 コミュニティアース・システム・モデル (CESM) のような大域的な気候モデルは、大気、陸、海、氷の相互作用を記述する数百万行のコードで非常に複雑である。 私たちの研究は、木に基づくアルゴリズムやディープニューラルネットワークのような確率論的手法を使って、高次元および人為的なデータの統計的に厳密な適合性テストを行います。
  論文  参考訳（メタデータ） (2020-10-08T15:16:16Z)

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。