Fugu-MT 論文翻訳(概要): Retrieval of Case 2 Water Quality Parameters with Machine Learning

論文の概要: Retrieval of Case 2 Water Quality Parameters with Machine Learning

arxiv url: http://arxiv.org/abs/2012.04495v1
Date: Tue, 8 Dec 2020 15:34:15 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 20:43:02.283478
Title: Retrieval of Case 2 Water Quality Parameters with Machine Learning
Title（参考訳）: 事例2 機械学習による水質パラメータの検索
Authors: Ana B. Ruescas, Gonzalo Mateo-Garcia, Gustau Camps-Valls and Martin Hieronymi
Abstract要約: この用途は、高濃度の着色溶存有機物(cdom)を吸収する目的でのみ行われる。検証は独立したシミュレーションデータセットで行われます。 OLCI Neural Network Swarm (ONSS) との比較も行われている。
参考スコア（独自算出の注目度）: 6.950862982117125
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Water quality parameters are derived applying several machine learning regression methods on the Case2eXtreme dataset (C2X). The used data are based on Hydrolight in-water radiative transfer simulations at Sentinel-3 OLCI wavebands, and the application is done exclusively for absorbing waters with high concentrations of coloured dissolved organic matter (CDOM). The regression approaches are: regularized linear, random forest, Kernel ridge, Gaussian process and support vector regressors. The validation is made with and an independent simulation dataset. A comparison with the OLCI Neural Network Swarm (ONSS) is made as well. The best approached is applied to a sample scene and compared with the standard OLCI product delivered by EUMETSAT/ESA
Abstract（参考訳）: case2extremeデータセット(c2x)に複数の機械学習回帰手法を適用して水質パラメータを求める。使用したデータは,Sentinel-3 OLCIウェーブバンドにおける水中放射伝達シミュレーションに基づいており,高濃度の溶存有機物(CDOM)を吸水するためにのみ適用されている。回帰アプローチは正規化線形、ランダムフォレスト、カーネルリッジ、ガウス過程、支持ベクトル回帰器である。検証は独立したシミュレーションデータセットで行われます。 OLCI Neural Network Swarm (ONSS) との比較も行われている。最適なアプローチはサンプルシーンに適用され、EUMETSAT/ESAによって提供される標準OLCI製品と比較される。

関連論文リスト

Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage [0.0]
炭素貯蔵のための階層型データ同化フレームワークを開発した。モンテカルロに基づく近似ベイズ計算を用いる。 3次元リカレントR-U-Net深層学習サロゲートモデルを用いて計算コストを削減する。
論文参考訳（メタデータ） (2024-10-20T06:15:56Z)
AMR-Evol: Adaptive Modular Response Evolution Elicits Better Knowledge Distillation for Large Language Models in Code Generation [56.54840407827354]
本研究は, 反応蒸留を精製するための2段階プロセスを用いた適応型モジュール応答進化(AMR-Evol)フレームワークについて紹介する。 AMR-Evolフレームワークがベースライン応答蒸留法よりも優れていることを示すために,3つのコードベンチマークを用いた実験を行った。
論文参考訳（メタデータ） (2024-10-01T10:12:38Z)
Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-01-31T07:40:37Z)
Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文参考訳（メタデータ） (2023-06-20T21:21:19Z)
Estimation of River Water Surface Elevation Using UAV Photogrammetry and Machine Learning [0.0]
無人航空機(UAV)は、地形の直視とデジタル表面モデル(DSM)を作成することができる。この方法でマッピングされた水域のDSMは、水面歪みを明らかにし、水面標高(WSE)の正確な測定に光グラムデータを使用するのを防ぐ。本稿では, コンボリューショナル・ニューラル・ネットワーク(CNN)を, フォトグラムのDSMと正光のWSE推定器として用いる新しい手法を提案する。
論文参考訳（メタデータ） (2023-06-05T08:20:46Z)
Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文参考訳（メタデータ） (2023-05-10T11:10:09Z)
Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文参考訳（メタデータ） (2022-12-07T10:01:11Z)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Deep Learning-based FEA surrogate for sub-sea pressure vessel [0.799536002595393]
圧力容器には、浸水できない電子機器、電源、その他のセンサーが含まれている。圧力容器設計の伝統的な設計手法は、複数の有限要素解析(FEA)ベースのシミュレーションを実行することである。これらのFAAの実行は、任意の最適化プロセスに非常にコストがかかる。より優れたアプローチは、FAAベースの予測を学習ベースの回帰器に置き換えることを目的としたサロゲート設計である。
論文参考訳（メタデータ） (2022-06-06T00:47:10Z)
Bathymetry Inversion using a Deep-Learning-Based Surrogate for Shallow Water Equations Solvers [6.733150731898156]
浅水式解法のための深層学習に基づくサロゲートを用いた潜水式インバージョン法を提案し,実証する。このサロゲートは、畳み込みオートエンコーダと共有エンコーダ、分離デコーダアーキテクチャを使用する。浴量計の逆転過程には2つの特徴的な段階があり、これは初期の広筆彫りの彫刻的過程に類似している。
論文参考訳（メタデータ） (2022-03-05T21:49:24Z)
Ship Performance Monitoring using Machine-learning [2.1485350418225244]
船舶の流体力学性能は, 海洋汚濁や防汚塗料システムの条件などにより, 寿命によって異なる。現在の研究は機械学習(ML)手法を用いて、オンボードで記録されたサービス内データを用いて船の流体力学的性能を推定する。
論文参考訳（メタデータ） (2021-10-07T16:18:16Z)

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。