Weather Generator Based on Generative AI for Interdisciplinary Probabilistic Downscaling Using Convection-Permitting Model Outputs and Potential Utility in Equitable, Community-focused Climate Scenario-ing
Notice bibliographique
Résumé
Convection-permitting model outputs offer significant opportunities for training statistical downscaling approaches. The Coordinated Regional Climate Downscaling Experiment (CORDEX) on the urban environment and regional climate change ensemble simulations provide valuable insights into the uncertainties of numerical atmospheric models. Traditional weather generators, based on the Maximum Likelihood for the Generalised Linear Model approach, have been instrumental in modelling precipitation occurrence and amount. This study advances the statistical downscaling method by integrating Generative AI approaches, using deep learning to create stochastic precipitation ensembles.Compared to deterministic simulations, this new probabilistic approach allows for an exploration of the nonstationary statistical properties influenced by regional climate conditions through more feasible nonlinear representation for the weather generator parameters by deep learning. Emphasis is placed on the importance of probabilistic and agnostic methods in exploring, interpreting, and explaining uncertainties.Findings related to temperature variations for daily precipitation extremes attribute the roles of sensible and latent heat, which are further interpreted through regional processes. The integration of generative AI highlights the stochastic uncertainties in weather generators, emphasising the need for consistency between deterministic convection-permitting model outputs and observational data. By examining scaling relationships, the interpretability and explainability of model outputs, particularly concerning energy balance processes, are demonstrated.Through interpretable and explainable statistical downscaling, the approach to modelling precipitation extremes based on maximum likelihood theory fosters international collaboration in the Climate Collaboratorium* project (IIRCC; ‘Exploring climate solutions with interactive theatre’)This includes contributions from Canada, Germany, the UK, and the US, aimed at providing accessible science that can inform climate decisions in partnership with social science/arts and humanities researchers, tailored to place-based user needs. Advocacy for responsible AI in atmospheric and water sciences facilitates interdisciplinary climate adaptation and mitigation with Taiwanese and Brazilian communities. This approach promotes transparency and fairness through explainable and interpretable climate scenarios. By incorporating immersive experiences and smart decision-making processes, the pathway for human oversight remains central to fair climate action to achieve Sustainable Development Goal 13.*https://www.ukri.org/publications/international-science-partnerships-fund-iircc-initiative-funded-projects/international-joint-initiative-for-research-in-climate-change-adaptation-and-mitigation-project-overview/
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».