過去気候における評価2 過去のGCMシミュレーションによる検証
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…
過去気候における評価1 観測データによるクロスバリデーション
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…
地域気候モデルの不確実性
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…
初期条件、モデル、シナリオの不確実性
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…
転移学習による分布外パフォーマンスの強化
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…
現在気候分布外のパフォーマンス向上のための戦略
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…
RCM エミュレータの分布外評価
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…
経験的ダウンスケーリングの課題（現在気候の分布外推定2）
一般に、観測データから学習した関係を GCM 内の未観測の気候に適用するアルゴリズムの能力 (過去および将来のシミュレーションなど) を評価します。 多くの場合、将来の気候シナリオにおける気候変数の分布は、アルゴリズムが…
経験的ダウンスケーリングの課題（現在気候の分布外推定）
コンピュータービジョンアルゴリズムのパフォーマンスとアーキテクチャの多くの改善にもかかわらず、ほとんどの研究は、現在の気候条件での評価のみに焦点を当てています。これはアルゴリズムが GCM (歴史的および将来の気候) か…
経験的ダウンスケーリングの課題（物理的一貫性）
ML アルゴリズムは物理法則に準拠していないことが多く、出力に不一致が生じます。 この物理的一貫性の問題は、アルゴリズムに対する信頼を構築するという点と、場合によってはエンドユーザーが物理法則に準拠したデータを必要とする…