Transferring climate change knowledge

要約

気候の適応と緩和には正確かつ精密な気候予測が必要ですが、地球システムのモデルには依然として大きな不確実性が存在します。
気候予測とフィードバックの広がりを減らすためにいくつかのアプローチが開発されてきましたが、それらの方法では気候システムに固有の非線形の複雑さを捉えることができません。
転移学習アプローチを使用して、機械学習を使用して、地球システム モデルのシミュレーションと過去の観測から得られた知識を最適に活用および統合して、21 世紀の地球の表面大気温度場をより正確に予測できることを示します。
最先端のアプローチに関して、不確実性の 50% 以上の削減に達します。
私たちは、私たちの新しい方法が、気候適応に緊急に必要とされる、より正確な平均気候予測とともに、より狭い予測不確実性を提供するという証拠を示します。

要約(オリジナル)

Accurate and precise climate projections are required for climate adaptation and mitigation, but Earth system models still exhibit great uncertainties. Several approaches have been developed to reduce the spread of climate projections and feedbacks, yet those methods cannot capture the non-linear complexity inherent in the climate system. Using a Transfer Learning approach, we show that Machine Learning can be used to optimally leverage and merge the knowledge gained from Earth system models simulations and historical observations to more accurately project global surface air temperature fields in the 21st century. We reach an uncertainty reduction of more than 50% with respect to state-of-the-art approaches. We give evidence that our novel method provides narrower projection uncertainty together with more accurate mean climate projections, urgently required for climate adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google