月別アーカイブ: 2024年4月

気候科学とダウンスケーリングにおける XAI の例気候科学研究における深層学習アルゴリズムの継続的な成功にもかかわらず、これらのアルゴリズムによって学習された決定と関係は、そのブラックボックスの性質により不明瞭なままであ … 続きを読む →

ML アルゴリズムが気候変動パターンを正確に再現できれば、その外挿能力の有望な兆候が得られるでしょう。 逆に、RCM/GCM からの気候変動シグナルの大幅な逸脱は矛盾を示唆することが多く、通常はさらなる調査が必要です。 … 続きを読む →

将来のデータが利用できないことを考えると、観測ダウンスケーリング アルゴリズムでは将来の気候における直接評価は不可能です。 一部の研究では、経験的モデルからの対象変数の気候変動シグナルを 全球気候モデル（GCM） または … 続きを読む →

クロスバリデーションの次に、ダウンスケーリングアルゴリズム （データ制約を最大化するために、ダウンスケーリングに使 用する前に、通常、全観測期間を使って再トレーニングされ る）を全球気候モデル（GCM）の過去の入力に適用 … 続きを読む →

観測的ダウンスケーリング手法の最初の評価段階では、手法の本質的な性能を評価するために、訓練データ（再解析と観測）に基づく交差検証を実行します。クロスバリデーションでは、観測データセットのわずかに異なる部分集合またはフォー … 続きを読む →

全球気候モデル（GCM） モデルの不確実性に加えて、モデルの不確実性のもう 1 つの重要な要素は、地域気候モデル（RCM） パラメータ化スキームの内部不確実性 (つまり、RCM 内の物理プロセスの不確実性) を定量化する … 続きを読む →

将来の気候予測の不確実性は、初期条件の不確実性、モデルの不確実性、シナリオの不確実性という 3 つの主な原因から生じます。GCM（全球気候モデル） によって生成される初期条件の不確実性は、通常、CORDEX タイプのダウ … 続きを読む →

観測データの利用には、 観測期間の長さや将来の気候シナリオの予測変数空間が観測訓練データの分布から大きく外れていることなどの問題があります。観測データ問題では、物理シミュレーションと観測データの両方のトレーニングを統合す … 続きを読む →

観測(PP)ダウンスケーリングアルゴリズムが将来気候に対して現在気候分布外で適応可能にするいくつかの戦略を示します。 外挿を強化するために GCM 予測子フィールドのバイアス調整などの戦略を検討しましたが、これらの方法だ … 続きを読む →

RCM エミュレーターは、幅広い気候シナリオにわたってダウンスケールできるように十分に汎用化する必要があります。 最近の研究では、将来の気候推定を改善し、気候変動シグナルを再現するために、多様な気候にわたるトレーニングの … 続きを読む →