論文の概要: Generalizable Neural Downscaling of Earth System Model Wind Fields via Continuous Dynamics Modeling

• arxiv url: http://arxiv.org/abs/2610.03757v1
• Date: Sat, 26 Sep 2026 21:20:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:18:41.376197
• Title: Generalizable Neural Downscaling of Earth System Model Wind Fields via Continuous Dynamics Modeling
• Title（参考訳）: 連続動力学モデリングによる地球系モデル風場の一般化可能なニューラルネットワークダウンスケーリング
• Abstract要約: 連続的大気状態場における演算子学習問題として,地球規模の近地風下スケーリングを定式化する。 我々は、不均一な離散化にまたがって、粗大な体を微細な体にマッピングするダウンスケーリングニューラル演算子を開発した。
• 参考スコア（独自算出の注目度）: 47.58590721845409
• License:
• Abstract: Accurate high-resolution wind field simulations are critical for resolving fine-scale atmospheric dynamics, yet the simulation of wind fields in Earth System Models (ESMs) remains limited by coarse spatial resolution and systematic biases. To address this, data-driven down scaling techniques have been widely used to enhance coarse-resolution ESM outputs. However, existing methods are typically tied to fixed discretizations, limiting generalization across models with different native resolutions. Here we formulate global near-surface wind downscaling as an operator-learning problem on continuous atmospheric state fields and develop a downscaling neural operator that maps coarse-scale fields to fine-scale counterparts across heterogeneous discretizations. The operator learning-based neural downscaling framework outperforms dominant baselines, recovers fine-scale physical structures, and generalizes to previously unseen ESMs and future climate scenarios without retraining, while preserving long-term wind projection trends. These findings establish a generalizable paradigm for high-resolution climate downscaling across diverse simulation outputs and future scenarios.
• Abstract（参考訳）: 精密な高分解能風力シミュレーションは、大気の微細な力学を解くために重要であるが、地球系モデル(ESM)における風力のシミュレーションは、粗い空間分解能と体系的なバイアスによって制限されている。 これを解決するために、データ駆動ダウンスケーリング技術は粗大分解能ESM出力を改善するために広く利用されている。 しかし、既存の手法は一般に固定的な離散化に結びついており、異なるネイティブ解像度のモデル間の一般化を制限する。 ここでは、連続的大気状態場における演算子学習問題として、大域的近地風下降を定式化し、粗大な磁場を不均一な離散化にまたがる微大な風下降をマッピングする下降ニューラルネットワークを開発する。 オペレータ学習ベースのニューラルダウンスケーリングフレームワークは、支配的なベースラインを上回り、微細な物理的構造を回復し、長期の風向傾向を保ちながら、トレーニングすることなく、これまで見られなかったESMや将来の気候シナリオに一般化する。 これらの知見は、様々なシミュレーション出力と将来のシナリオにまたがる高分解能気候下降のための一般化可能なパラダイムを確立する。

関連論文リスト

• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Generative Unsupervised Downscaling of Climate Models via Domain Alignment: Application to Wind Fields [2.77586127194301]
  一般的な循環モデル(GCM)は将来の気候予測に広く使われている。 粗い空間分解能と体系的なバイアスは、影響研究への直接的使用を制限する。 生成機械学習の最近の進歩は、ダウンスケーリングとバイアス補正の新しい機会を提供する。
  論文  参考訳（メタデータ） (2026-04-03T09:07:42Z)
• WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling [19.471234487904514]
  多数のタスクにまたがる特別なベースラインを置き換えることのできる,単一の事前学習基盤モデルであるWINDを紹介する。 ドメイン固有の問題を逆問題として厳密に分類し、後続サンプリングを用いて解決する。 地球温暖化シナリオ下での極端気象事象の物理的に一貫した対実的ストーリーラインを生成するモデルの性能を実証する。
  論文  参考訳（メタデータ） (2026-02-03T18:58:10Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• Dynamical-generative downscaling of climate model ensembles [13.376226374728917]
  本稿では,動的ダウンスケーリングと生成人工知能を組み合わせることで,コストを削減し,下降した気候予測の不確実性評価を改善する手法を提案する。 このフレームワークでは、RCMはESMの出力を中間分解能に動的にダウンスケールし、次いで生成拡散モデルにより、目標スケールへの分解能をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-02T17:31:01Z)
• 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)

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。