論文の概要: Climate downscaling with likelihood functional flow matching
- arxiv url: http://arxiv.org/abs/2610.33482v2
- Date: Tue, 27 Oct 2026 11:04:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.343233
- Title: Climate downscaling with likelihood functional flow matching
- Title（参考訳）: 機能的フローマッチングの可能性を考慮した気候ダウンスケーリング
- Abstract要約: CD-FFMは、高分解能場を連続ランダム場として扱うフローマッチングモデルである。
連続的な順位の確率スコアは、回帰に対して27-31%低下する。
CorrDiffスタイルの拡散モデルよりも優れており、サンプリングは50倍高速である。
- 参考スコア（独自算出の注目度）: 6.806060495159674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decisions about heat, frost and flooding are made locally, yet reanalyses and climate models resolve tens of kilometres. Generative downscalers add kilometre-scale detail with uncertainty, but are tied to a grid, costly to sample and lack a tractable likelihood. Here we introduce CD-FFM, a functional flow-matching model that treats the high-resolution field as a continuous random field that one model can query at any location and resolution. Its velocity acts pointwise, so spatial variability comes from a noise prior fitted to the observed spectrum and every observation has an exact likelihood. Downscaling ERA5 to 1 km daily temperature over Fennoscandia, CD-FFM lowers the continuous ranked probability score by 27-31% against regression and 12-18% against a forty-times larger neural operator in each of three test years, and outperforms a CorrDiff-style diffusion model while sampling about fifty times faster. The same model transfers to precipitation and makes large kilometre-scale ensembles affordable.
- Abstract（参考訳）: 熱、凍土、洪水に関する決定は地元で行われているが、再解析や気候モデルでは数十kmを解決している。
ジェネレーションダウンスケーラは、不確実性のあるキロスケールのディテールを付加するが、グリッドに縛り付けられ、サンプリングに費用がかかり、牽引可能な可能性がない。
本稿では,高分解能場を連続的ランダム場として扱う機能的フローマッチングモデルCD-FFMを紹介する。
その速度は点的に振る舞うので、空間的変動は観測されたスペクトルに合わせる前にノイズから生じ、全ての観測は正確な確率を持つ。
CD-FFMは、Fennoscandia上でERA5から1kmの日温を低下させ、連続的なランク付け確率スコアを27～31%の回帰率、12～18%のニューラル演算子に対して3回の試験年ごとに減少させ、50倍の速度でサンプリングしながらCorrDiffスタイルの拡散モデルより優れている。
同じモデルが降水に移行し、大規模なアンサンブルが安価になる。
関連論文リスト
- Steering Diffusion Priors with Sparse Observations for High-Resolution Temperature Downscaling [1.6020567943077142]
局所的な熱波の危険性は、微細な大気温度に依存するが、地上局は希薄であり、ERA5のような再分析製品は、実際の熱露光を形成する地形や地表のコントラストを解決できない。
静止地形, 訓練気候, 正確なERA5温度, 太陽・時間特性を条件とした高分解能2m温度ダウンスケーリングのための条件拡散エミュレータを提案する。
得られたフィールドは、しきい値超過や累積熱バーデンなどの下流熱波ハザード生成物の温度層として意図されている。
論文 参考訳（メタデータ） (2026-09-08T11:13:32Z) - TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。
本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。
TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
論文 参考訳（メタデータ） (2026-07-14T07:36:19Z) - Conditional Flow Matching for Probabilistic Downscaling of Maximum 3-day Snowfall in Alaska [0.0]
粗度気候モデル出力と高分解能地形のマッピングを学習する条件生成モデルであるWxFlowを提案する。
WxFlowはアラスカ南東部の最大3日間の降雪の4kmのWRFシミュレーションに適用される。
論文 参考訳（メタデータ） (2026-04-28T03:21:23Z) - 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)
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。