論文の概要: A hybrid machine learning-analog framework for downscaling unprecedented climate extremes
- arxiv url: http://arxiv.org/abs/2611.15284v1
- Date: Wed, 11 Nov 2026 10:19:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.10028
- Title: A hybrid machine learning-analog framework for downscaling unprecedented climate extremes
- Title(参考訳): 前例のない気候極端をスケールダウンするためのハイブリッド機械学習・アナログフレームワーク
- Abstract要約: 極度の気象現象は気候影響評価に重要である。
パリ上空で発生した機械学習による地域気候モデル熱波は物理的に現実的であることを示す。
次に、エミュレートされた機械学習データセットを活用し、粗いグローバル気候モデルアンサンブルイベントのアナログベースのダウンスケーリングを実行する。
- 参考スコア(独自算出の注目度): 0.1724067189750561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extreme weather events are critical for climate impact assessments. While physical models can simulate unprecedented extremes, for example, through ensemble boosting, this approach is computationally demanding, often restricting output to coarse spatial resolutions. Probabilistic generative downscaling offers a solution by enabling efficient sampling from the entire climate distribution, including its extreme tails. Here, we first demonstrate that machine learning generated regional climate model heatwaves over Paris are physically realistic. We then leverage an emulated machine learning dataset to perform analog-based downscaling of coarse global climate model ensemble boosting events. Our hybrid framework effectively bridges high-resolution regional detail with rare-event sampling, providing an efficient tool for extreme event downscaling and capturing multi-model uncertainty.
- Abstract(参考訳): 極度の気象現象は気候影響評価に重要である。
物理モデルは例えばアンサンブルの強化によって前例のない極端な現象をシミュレートすることができるが、このアプローチは計算的に要求され、しばしば粗い空間分解に出力を制限する。
確率的生成的ダウンスケーリングは、極端尾を含む全気候分布からの効率的なサンプリングを可能にするソリューションを提供する。
ここでは、パリ上空の機械学習によって生成された地域気候モデル熱波が物理的に現実的であることを示す。
次に、エミュレートされた機械学習データセットを活用し、粗いグローバル気候モデルアンサンブルイベントのアナログベースのダウンスケーリングを実行する。
当社のハイブリッドフレームワークは,高分解能領域の詳細をレアイベントサンプリングで効果的にブリッジし,イベントの過度なダウンスケールとマルチモデル不確実性把握のための効率的なツールを提供する。
関連論文リスト
- Toward generative machine learning for boosting ensembles of climate simulations [0.0]
気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。
cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
論文 参考訳(メタデータ) (2026-02-06T00:54:19Z) - Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。
2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。
以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
論文 参考訳(メタデータ) (2025-06-12T12:50:38Z) - 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) - 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) - 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) - 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) - 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) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z)
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。