ترجمه فارسی مقاله DiffESM: شبیه سازی شرطی دما و بارش در مدل های سیستم زمین با مدل های انتشار سه بعدی

چکیده

Earth System Models (ESMs) are essential for understanding the interaction between human activities and the Earth’s climate. However, the computational demands of ESMs often limit the number of simulations that can be run, hindering the robust analysis of risks associated with extreme weather events. While low-cost climate emulators have emerged as an alternative to emulate ESMs and enable rapid analysis of future climate, many of these emulators only provide output on at most a monthly frequency. This temporal resolution is insufficient for analyzing events that require daily characterization, such as heat waves or heavy precipitation. We propose using diffusion models, a class of generative deep learning models, to effectively downscale ESM output from a monthly to a daily frequency. Trained on a handful of ESM realizations, reflecting a wide range of radiative forcings, our DiffESM model takes monthly mean precipitation or temperature as input, and is capable of producing daily values with statistical characteristics close to ESM output. Combined with a low-cost emulator providing monthly means, this approach requires only a small fraction of the computational resources needed to run a large ensemble. We evaluate model behavior using a number of extreme metrics, showing that DiffESM closely matches the spatio-temporal behavior of the ESM output it emulates in terms of the frequency and spatial characteristics of phenomena such as heat waves, dry spells, or rainfall intensity.

چکیده به فارسی (ترجمه ماشینی)

مدل های سیستم زمین (ESM) برای درک تعامل بین فعالیت های انسانی و آب و هوای زمین ضروری است.با این حال ، تقاضای محاسباتی ESM ها اغلب تعداد شبیه سازی هایی را که می توان اجرا کرد محدود می کند و مانع تجزیه و تحلیل قوی خطرات مرتبط با حوادث شدید آب و هوایی می شود.در حالی که شبیه سازهای آب و هوایی کم هزینه به عنوان جایگزینی برای تقلید ESM ها و امکان تجزیه و تحلیل سریع آب و هوای آینده ظاهر شده اند ، بسیاری از این شبیه سازها فقط حداکثر یک فرکانس ماهانه را ارائه می دهند.این وضوح زمانی برای تجزیه و تحلیل رویدادهایی که نیاز به توصیف روزانه دارند ، مانند امواج گرما یا بارش سنگین کافی نیست.ما پیشنهاد می کنیم با استفاده از مدل های انتشار ، یک کلاس از مدل های یادگیری عمیق تولید ، به طور مؤثر از خروجی ESM پایین تر از ماهانه به فرکانس روزانه.آموزش داده شده بر روی تعداد انگشت شماری از تحقق ESM ، منعکس کننده طیف گسترده ای از نیروهای تابشی ، مدل DiffESM ما میانگین بارش یا درجه حرارت ماهانه را به عنوان ورودی می گیرد و قادر به تولید مقادیر روزانه با خصوصیات آماری نزدیک به خروجی ESM است.این رویکرد همراه با یک شبیه ساز کم هزینه که وسایل ماهانه را تأمین می کند ، فقط به بخش کوچکی از منابع محاسباتی لازم برای اجرای یک گروه بزرگ نیاز دارد.ما رفتار مدل را با استفاده از تعدادی از معیارهای شدید ارزیابی می کنیم ، نشان می دهد که متفاوت با رفتار فضایی و زمانی از خروجی ESM که از نظر فرکانس و خصوصیات مکانی پدیده ها مانند امواج گرما ، طلسم خشک یا شدت بارندگی تقلید می کند ، مطابقت دارد.