Toward generative machine learning for boosting ensembles of climate simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Accurately quantifying uncertainty in predictions and projections arising from irreducible internal climate variability is critical for decision‐making. Such uncertainty is typically assessed using ensembles produced with climate models. However, computational constraints impose a trade‐off between generating large ensembles required for robust uncertainty estimation and increasing model resolution to better capture fine‐scale dynamics. Generative machine learning offers a promising pathway to alleviate these constraints. We develop a conditional Variational Autoencoder (cVAE) trained on a limited sample of climate simulations to generate arbitrary large ensembles. The approach is applied to output from monthly CMIP6 historical and scenario experiments produced with the Canadian Centre for Climate Modelling and Analysis' Earth system model CanESM5. We show that the cVAE model learns the underlying distribution of data and generates physically consistent samples that reproduce realistic low‐ and high‐moment statistics, including extremes. Compared with more sophisticated generative architectures, cVAEs offer mathematically transparent, interpretable, and computationally efficient framework. Their simplicity lead to some limitations, such as smooth outputs, spectral bias, and underdispersion, that we discuss along with mitigation strategies. Specifically, we show that incorporating output noise improves the representation of climate‐relevant multiscale variability, and propose a simple method to achieve this. We show that cVAE‐enhanced ensembles capture realistic global teleconnection patterns, even under climate conditions absent from training data. Finally, our results point to limitations in accurately capturing non‐Gaussianity in higher‐order moments. It remains to be addressed whether this is amendable via more expressive architectures and output noise treatment or remains a challenge with cVAEs more generally.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle