Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Deep Learning Atmospheric Models Reliably Simulate Out-of-Sample Land Heat and Cold Wave Frequencies

Created by
  • Haebom

作者

Zilu Meng, Gregory J. Hakim, Wenchang Yang, Gabriel A. Vecchi

概要

ディープラーニングベースの一般循環モデル(GCM)の極端な気象現象シミュレーション能力を評価するために、ハイブリッドNGCMと純粋なデータベースのDL\textit{ESy}Mを従来のHiRAMと比較分析しました。 1900-2020年に観測された海面温度と海氷データに基づいて、1900-1960年のアウトオブサンプル期間中の熱波と寒波の発生頻度と空間パターンを分析しました。どちらのDLモデルもHiRAMと同様のレベルで一般化されていますが、北アジアと北米の一部の地域では、すべてのモデルのパフォーマンスが低下しました。 DL\textit{ESy}Mは温度自己相関性により熱波と寒波周波数を過大評価する傾向があり、NGCMはHiRAMと同様の持続性を示した。

Takeaways、Limitations

DLベースのGCMは、訓練範囲外の極端な気象現象の模倣にも成功した一般化能力を示しました。
NGCMはHiRAMと同程度の性能を示し,ハイブリッドモデルの有用性を実証した。
DL\textit{ESy}Mは温度自己相関性による問題を示しました。
北アジアと北米の1940年から1960年の間のモデルパフォーマンスの低下は、改善すべき部分です。
👍