迈向气候模型数据的因果表示
借助生成式深度学习方法,将地球系统模型(ESMs)进行仿真以获得逼真的气候样本,具有与 ESMs 相似的气候指标,适用于通过生成未来气候预测。
Apr, 2024
本文提出了一种基于扩散模型的深度学习模型,能够在只需小部分计算资源的情况下,准确模拟出影响人类行为的气候极端事件,并成功地生成了地球物理模型中的现象,比如高温,干旱和降雨强度。
Apr, 2023
气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架,用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型,并对观测和地球系统模型数据进行映射,我们的方法能够纠正任何地球系统模型的地理要素,确保了统计质量并保留了大尺度空间模式。
Apr, 2024
通过数据同化和机器学习技术的结合,可以将全球观测和局部高分辨率模拟整合到地球系统模型中,从而实现系统化学习和降低气候模型中参数化的不确定性。
Aug, 2017
本研究提出了基于领域知识的因果结构发现工作流,介绍了交互式修改 CSD 算法输出的方法,并将用户交互建模为吝啬算法,用于找到包含领域知识先验分布的最大后验解。研究发现,考虑领域知识能够对最终发现的因果模型产生实质性影响,并表明在地球系统科学等领域中寻找最大可用因果模型是一个困难且包含许多有趣的开放性研究问题。
Jul, 2021
使用一种高效准确的一次训练模型,通过机器学习来降低任意地球系统模型的计算复杂度,同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。
Mar, 2024
数据驱动的深度学习模型正在改变全球的天气预报,但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤,并在 10 年的模拟中保持稳定。我们的方法超越了相关基准,并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择,这为高效的数据驱动气候模拟迈出了重要一步,有助于更好地理解地球并适应不断变化的气候。
Jun, 2024
该研究论文讨论了基于深度学习模型的区域气候模拟器的可迁移性问题,发现该方法能够模拟区域气候模型的某些气候特征,但在不同全球气候模型间存在一定偏差,限制了其在建立区域气候预测集合方面的适用性。
Nov, 2023
本文介绍 DeepSD 框架,一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型,可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台,将其应用于对超过 20 种不同情境下的全球气候变化进行计算。
Mar, 2017