論文の概要: Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry

• arxiv url: http://arxiv.org/abs/2011.09707v1
• Date: Thu, 19 Nov 2020 08:22:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 20:52:52.074821
• Title: Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry
• Title（参考訳）: 深層学習に基づく補間法のニアショアベースメトリーへの応用
• Authors: Yizhou Qian, Mojtaba Forghani, Jonghyun Harry Lee, Matthew Farthing, Tyler Hesser, Peter Kitanidis, Eric Darve
• Abstract要約: 本研究では, 深層学習に基づく深層水深計測手法について, 疎度, マルチスケール計測による評価を行った。 本稿では, 深部ニューラルネットワーク(DNN)を用いて, 深部潜水量計の後方推定を計算し, 後方分布からサンプルを抽出する条件付き生成逆ネットワーク(cGAN)を提案する。
• 参考スコア（独自算出の注目度）: 0.82354995224692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nearshore bathymetry, the topography of the ocean floor in coastal zones, is vital for predicting the surf zone hydrodynamics and for route planning to avoid subsurface features. Hence, it is increasingly important for a wide variety of applications, including shipping operations, coastal management, and risk assessment. However, direct high resolution surveys of nearshore bathymetry are rarely performed due to budget constraints and logistical restrictions. Another option when only sparse observations are available is to use Gaussian Process regression (GPR), also called Kriging. But GPR has difficulties recognizing patterns with sharp gradients, like those found around sand bars and submerged objects, especially when observations are sparse. In this work, we present several deep learning-based techniques to estimate nearshore bathymetry with sparse, multi-scale measurements. We propose a Deep Neural Network (DNN) to compute posterior estimates of the nearshore bathymetry, as well as a conditional Generative Adversarial Network (cGAN) that samples from the posterior distribution. We train our neural networks based on synthetic data generated from nearshore surveys provided by the U.S.\ Army Corps of Engineer Field Research Facility (FRF) in Duck, North Carolina. We compare our methods with Kriging on real surveys as well as surveys with artificially added sharp gradients. Results show that direct estimation by DNN gives better predictions than Kriging in this application. We use bootstrapping with DNN for uncertainty quantification. We also propose a method, named DNN-Kriging, that combines deep learning with Kriging and shows further improvement of the posterior estimates.
• Abstract（参考訳）: 沿岸域の海底の地形であるニアショア水位計は, 津波帯の流体力学を予測し, 地下の特徴を避けるための経路計画に不可欠である。 そのため、船舶運行、沿岸管理、リスクアセスメントなど、幅広い用途においてますます重要になっている。 しかし, 予算制約やロジスティック制約のため, 海岸近辺の浴槽の直接高分解能調査はほとんど行われない。 スパース観測のみを利用できる別の選択肢は、ガウス過程回帰(gpr、kriging)を使用することである。 しかしGPRは、砂のバーや水中の物体の周囲に見られるような、鋭い勾配のパターンを認識するのが難しい。 本研究では, 深層学習に基づく深部潜水計測手法について, 疎度・マルチスケール計測による評価を行った。 本稿では, 深部ニューラルネットワーク(DNN)を用いて, 深部潜水量計の後方推定を計算し, 後方分布からサンプルを抽出する条件付き生成逆ネットワーク(cGAN)を提案する。 ノースカロライナ州ダックにある米国陸軍工兵科フィールド研究施設(frf)が提供する近海調査から得られた合成データに基づいてニューラルネットワークを訓練する。 本手法を実際の調査におけるkriging法と,人工的に鋭い勾配を付加した調査と比較した。 DNNによる直接推定は、このアプリケーションにおいてKrigingよりも優れた予測を与えることを示す。 不確実性定量化にはDNNを用いたブートストラップを用いる。 また,深層学習とKrigingを組み合わせたDNN-Kriging法を提案する。

関連論文リスト

• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• Sample Complexity of Nonparametric Off-Policy Evaluation on Low-Dimensional Manifolds using Deep Networks [71.95722100511627]
  深層ニューラルネットワークを用いた強化学習における非政治的評価問題について考察する。 ネットワークサイズを適切に選択することにより、マルコフ決定過程において低次元多様体構造を利用することができることを示す。
  論文  参考訳（メタデータ） (2022-06-06T20:25:20Z)
• Wasserstein Iterative Networks for Barycenter Estimation [80.23810439485078]
  生成モデルを用いて連続測度のワッサーシュタイン2バリセンターを近似するアルゴリズムを提案する。 有名人の顔のデータセットに基づいて、バリセンタアルゴリズムの定量的評価に使用できるAve, celeba!データセットを構築した。
  論文  参考訳（メタデータ） (2022-01-28T16:59:47Z)
• Variational encoder geostatistical analysis (VEGAS) with an application to large scale riverine bathymetry [1.2093180801186911]
  水位測定としても知られる河床形状の推定は,多くの応用において重要な役割を担っている。 本稿では,中央に狭い層を持つディープニューラルネットワークである可変オートエンコーダ(VAE)を利用するリダクション・オーダー・モデル(ROM)に基づくアプローチを提案する。 アメリカ合衆国,サバンナ川の1マイル到達地点において,我々の逆解析手法を検証した。
  論文  参考訳（メタデータ） (2021-11-23T08:27:48Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)
• Filtering Internal Tides From Wide-Swath Altimeter Data Using Convolutional Neural Networks [9.541153192112194]
  本稿では畳み込みニューラルネットワーク(ConvNets)を用いて、内潮信号のないフィールドを推定する。 また,海面温度(SST)などの他の海面変数からの追加データについても検討した。
  論文  参考訳（メタデータ） (2020-05-03T14:02:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。