npj Climate and Atmospheric Science· 2026Q1
Hava ve İklim için Üretken Asimilasyon ve Tahmin (GAP)
Generative assimilation and prediction for weather and climate
- 13atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir derin üretken çerçeve olan GAP, hava durumu ve iklim için veri asimilasyonunu ve tahmini birleştirerek, günlük tahminlerden binyıllık simülasyonlara kadar görevlerde doğruluk ve kararlılık açısından mevcut yöntemleri geride bırakıyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hava ve iklim için birleşik bir derin üretken çerçeve olan Üretken Asimilasyon ve Tahmin'i (GAP) tanıtır.
- GAP, mevcut makine öğrenimi modellerinin sınırlamalarını ele alarak veri asimilasyonunu tahmin ile entegre eder.
- Çerçeve, gözlemsel ve zorlayıcı kısıtlamalar altındaki atmosferik durumların olasılıksal dağılımlarını nicelleştirir.
- GAP, veri asimilasyonu, olasılıksal hava durumu tahminleri ve mevsimsel tahminlerde rekabetçi sonuçlar elde eder.
- GAP, kararlı binyıllık simülasyonlar üretir ve günlükten on yıllık ölçeklere kadar iklim değişkenliğini yeniden üretir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Machine learning models have shown great success in predicting weather up to two weeks ahead, outperforming process-based benchmarks. However, existing approaches mostly focus on the prediction task, and do not incorporate the necessary data assimilation. Moreover, these models suffer from error accumulation in long roll-outs, limiting their applicability to seasonal predictions or climate projections. Here, we introduce Generative Assimilation and Prediction (GAP), a unified deep generative framework for assimilation and prediction of both weather and climate. By learning to quantify the probabilistic distribution of atmospheric states under observational, predictive, and external forcing constraints, GAP excels in a broad range of weather-climate related tasks, including data assimilation, seamless prediction, and climate simulation. In particular, GAP is competitive with state-of-the-art ensemble assimilation, probabilistic weather forecast and seasonal prediction, yields stable millennial simulations, and reproduces climate variability from daily to decadal time scales.
Yazarların özeti; kaynağından alınmıştır. npj Climate and Atmospheric Science, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Atmosfer Bilimi
Atmospheric ScienceEarth and Planetary Sciences