論文の概要: ClimateBench v2.0: Probabilistic Climate Model Benchmarking
- arxiv url: http://arxiv.org/abs/2610.04558v1
- Date: Sat, 03 Oct 2026 14:49:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 18:51:17.643539
- Title: ClimateBench v2.0: Probabilistic Climate Model Benchmarking
- Title（参考訳）: ClimateBench v2.0:確率的気候モデルベンチマーク
- Abstract要約: 気候モデルを評価するための標準プロトコルであるClimateBench v2を提案する。
このプロトコルは、物理ベース、データ駆動型、ハイブリッド気候モデルのいずれかを評価するように設計されている。
- 参考スコア（独自算出の注目度）: 15.100158252226812
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present ClimateBench v2, a standardized protocol for evaluating climate models on diagnostics expected to be informative for their skill in projecting mid-century regional temperature and precipitation changes. The protocol is designed to evaluate any physics-based, data-driven, or hybrid climate model on equal footing using a common set of observational and out-of-distribution tests. We define three tiers of evaluation. Tier I establishes physical credibility through entry-ticket tests of energy conservation, coupled (co-)variability, and basic forced responses. Tier II scores models against post-2015 observations of surface temperature, precipitation, radiative fluxes, sea ice, and key modes of variability using fair CRPS as the primary probabilistic score, complemented by distributional and ensemble-consistency diagnostics. Tier III tests out-of-distribution generalization through paleoclimate simulations spanning the Last Interglacial, Last Glacial Maximum, and Mid-Holocene, and through perfect-model experiments in which data-driven models must predict the future climate of existing Earth system models from historical data alone. We reserve all observational data after 2015 for testing, and submissions must include multiple ensemble members to enable probabilistic evaluation. This reservation exploits a new opportunity provided by the decade of observations accumulated since the end of the CMIP6 historical experiment, which constitutes an out-of-sample record of forced climate change (and internal variability) for the current generation of models, and we quantify, in an idealized setting, the information it carries about mid-century warming. We provide the evaluation code, observational reference datasets, and perfect-model training data as an open benchmark to drive measurable progress in climate projection across all modeling approaches.
- Abstract（参考訳）: 気候モデルを評価するための標準化されたプロトコルであるClimateBench v2について述べる。
このプロトコルは、物理に基づく、データ駆動型、またはハイブリッドな気候モデルを、共通の観測および分布外のテストセットを用いて等速で評価するように設計されている。
評価の3つの階層を定義します。
ティアIは、エネルギー保存、結合(共変性)および基本的な強制応答のエントリーチケットテストを通じて、物理的信頼性を確立する。
Tier IIは、2015年以降の表面温度、降水量、放射流束、海氷、および変動のキーモードの観測に対して、フェアCRPSを主要な確率的スコアとし、分布とアンサンブル一貫性の診断を補完する。
Tier IIIは、最終氷期、最終氷期、中新世にまたがる古気候シミュレーションや、データ駆動モデルが過去のデータのみから既存の地球系の将来の気候を予測するための完璧なモデル実験を通じて、分布の一般化をテストする。
我々は2015年以降に全ての観測データを収集し、確率的評価を可能にするために複数のアンサンブルメンバーを含めなければならない。
この予約は, CMIP6歴史的実験の終了以降に蓄積された10年間の観測の新たな機会を生かし, 現行世代のモデルに対する強制的気候変動(および内部変動)のアウト・オブ・サンプル記録を構成し, 理想的な設定で, 中世紀の温暖化に関する情報を定量化する。
評価コード、観測基準データセット、および完全モデルトレーニングデータをオープンベンチマークとして提供し、すべてのモデリングアプローチにおける気候予測の計測可能な進捗を推し進める。
関連論文リスト
- EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。
EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。
実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
論文 参考訳（メタデータ） (2026-06-25T16:53:30Z) - Evaluating Skill and Stability of ArchesWeather and ArchesWeatherGen under Multi-Decadal Climate Simulations [8.698072049880366]
ArchesWeather と ArchesWeatherGen の気候シミュレーション能力を評価する。
本研究では,月平均海面温度 (SST) と海氷被覆 (SIC) を境界条件として,これらのモデルを強制的大気モデルとして機能させる。
ArchesWeather と ArchesWeatherGen の強制的な構成は、安定した長期気候シミュレーションを作成し、安定した年次サイクルを持ち、多くの気候変数の漂流を捉えていることを示す。
論文 参考訳（メタデータ） (2026-05-28T14:15:25Z) - 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) - Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts [2.4329932351753114]
アナログのない」将来の気候状態は、歴史的トレーニングデータの実証範囲外の条件に、外部の強制がシステムを駆動する体制である。
我々は、U-Net、ConvLSTM、ClimaXファンデーションモデルという3つの最先端アーキテクチャの堅牢性を評価する。
論文 参考訳（メタデータ） (2026-03-24T10:29:54Z) - Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。
既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。
モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
論文 参考訳（メタデータ） (2026-03-17T15:34:05Z) - Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。
この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
論文 参考訳（メタデータ） (2025-04-25T22:14:29Z) - 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) - Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。
我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。
このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
論文 参考訳（メタデータ） (2024-06-21T00:16:55Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - 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) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。