論文の概要: Less is more: error-distance scaling relation for data-efficient kilometer-scale downscaling of extreme heat

• arxiv url: http://arxiv.org/abs/2609.40140v1
• Date: Wed, 30 Sep 2026 16:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.110392
• Title: Less is more: error-distance scaling relation for data-efficient kilometer-scale downscaling of extreme heat
• Title（参考訳）: 誤差-距離スケーリング関係による極端熱の1kmスケールダウンスケーリング
• Abstract要約: 極端熱は、都市への適応が最もキロスケールのデータを必要とする場所である。 温度, 湿度, 風速が32kmまで低下する構造保存損失を有するU-NetであるCASPERを用いて測定した。
• 参考スコア（独自算出の注目度）: 12.114107011987109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme heat is where urban adaptation needs kilometer-scale data the most, but the simulations training a downscaler can cost more than they save, and how much is needed has not been identified. We measured it with CASPER, a U-Net with a structure-preserving loss downscaling 32 km reanalysis to 1 km temperature, humidity and wind, across 24 configurations of one to eight months. Held-out error grows linearly with climatological distance to the training data, RMSE = 0.83 + 2.95 d, explaining 90% of its variance against 7% for volume and predicting unseen months in advance. On held-out extreme summer weeks CASPER preserves the fine-scale structure and cross-variable physics that matched-budget baselines degrade, and matches station observations during documented heat waves to within 1.8 K. Transfer to a new region degrades geographically; 11 days of local simulation cuts Vancouver's held-out error from 3.8 to 1.3 K. Training periods should span the target climate: the same accuracy for four times less simulation, putting kilometer-scale downscaling of extreme heat within reach of groups without large computing facilities.
• Abstract（参考訳）: しかし、ダウンスケーラを訓練するシミュレーションは、節約するよりもコストがかかり、必要な量は特定されていない。 構造保存損失を32kmダウンスケールしたU-NetであるCASPERを用いて, 温度, 湿度, 風速を1～8ヶ月の24種類の構成で測定した。 Held-outエラーは、トレーニングデータと気候学的な距離、RMSE = 0.83 + 2.95 dで線形に成長し、体積の7%に対する分散の90%を説明し、前もって目に見えない月を予測している。 CASPERは、予算ベースラインの劣化にマッチする微細な構造と多変量物理学を保存し、記録された熱波中のステーション観測を1.8K以内に一致させる。新しい地域への移動は地理的に減少する;11日間のローカルシミュレーションはバンクーバーの保留誤差を3.8Kから1.3Kに削減する。

関連論文リスト

• Sparse-Observation Atmospheric Thermal Forecasting with Physics-Informed Neural Networks for Climate-Aware Digital Twins [0.05799520226281693]
  気候に配慮したデジタルツインシステムを支援するには、大気温度の短期的な予測が必要である。 本研究では,ポテンシャル温度予測のための物理インフォームドニューラルネットワークの評価を行った。
  論文  参考訳（メタデータ） (2026-09-23T03:29:16Z)
• Transferable Dual-Stream Representations for Mesoscale-Preserving Sea Surface Temperature Downscaling [0.28819200874187073]
  EddyFlowは、キロスケールの海面温度ダウンスケーリングのための表現学習フレームワークである。 予測精度、スケール依存構造、地域一般化のバランスをとる。
  論文  参考訳（メタデータ） (2026-08-04T21:11:04Z)
• Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator [2.148526586778159]
  従来の計算流体力学シミュレーションでは、速度と温度が計算に高価である。 最近の機械学習の進歩は、都市部の微小気候シミュレーションを加速するための有望な代替手段を提供する。 そこで我々は,局所学習,幾何符号化,パッチオーバーラップを用いた局所フーリエニューラル演算子(Local-FNO)モデルを提案する。 CFDソルバの50倍近い速度で、単一の32GB GPU上で、1億5000万のフィーチャディメンションを持つ高解像度の予測を提供する。
  論文  参考訳（メタデータ） (2024-11-18T07:38:25Z)
• 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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Accurate Long-term Air Temperature Prediction with a Fusion of Artificial Intelligence and Data Reduction Techniques [7.831043335576775]
  8月の第1および第2四半期の平均気温の予測は,前月の入力データを用いて検討した。 この実験は、パリとコルドバの3つの提案されたAIフレームワークにおいて、非常に優れた予測スキルを示している。
  論文  参考訳（メタデータ） (2022-09-29T15:36:01Z)

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。