論文の概要: Variational Data Assimilation with a Learned Inverse Observation
Operator
- arxiv url: http://arxiv.org/abs/2102.11192v1
- Date: Mon, 22 Feb 2021 17:16:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:39:15.703107
- Title: Variational Data Assimilation with a Learned Inverse Observation
Operator
- Title(参考訳): 学習型逆観測演算子による変動データ同化
- Authors: Thomas Frerix, Dmitrii Kochkov, Jamie A. Smith, Daniel Cremers,
Michael P. Brenner, Stephan Hoyer
- Abstract要約: システムの最適化性を改善するために観測データをどのように使用できるかを示す。
これをカオスシステム全体でよりよく振る舞うために利用します。
- 参考スコア(独自算出の注目度): 46.92601529878414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational data assimilation optimizes for an initial state of a dynamical
system such that its evolution fits observational data. The physical model can
subsequently be evolved into the future to make predictions. This principle is
a cornerstone of large scale forecasting applications such as numerical weather
prediction. As such, it is implemented in current operational systems of
weather forecasting agencies across the globe. However, finding a good initial
state poses a difficult optimization problem in part due to the non-invertible
relationship between physical states and their corresponding observations. We
learn a mapping from observational data to physical states and show how it can
be used to improve optimizability. We employ this mapping in two ways: to
better initialize the non-convex optimization problem, and to reformulate the
objective function in better behaved physics space instead of observation
space. Our experimental results for the Lorenz96 model and a two-dimensional
turbulent fluid flow demonstrate that this procedure significantly improves
forecast quality for chaotic systems.
- Abstract(参考訳): 変動データ同化は、その進化が観測データに適合するように、力学系の初期状態に最適化する。
物理モデルはその後、予測を行うために未来へと進化することができる。
この原理は、数値気象予測のような大規模予測応用の基礎である。
そのため、世界中の気象予報機関の現在の運用システムで実施されている。
しかし、良い初期状態を見つけることは、物理的状態とそれに対応する観測の間の非可逆的な関係のために、難しい最適化問題を引き起こす。
観測データから物理状態へのマッピングを学習し、最適化性を改善するためにどのように使用できるかを示す。
このマッピングは、非凸最適化問題をよりよく初期化し、観察空間ではなく、よりよく振る舞う物理空間で客観的関数を再構成する2つの方法を用いています。
lorenz96モデルと2次元乱流流の実験結果は, この手法がカオスシステムの予測品質を著しく改善することを示した。
関連論文リスト
- Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy [0.7149367973754319]
LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。
本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
論文 参考訳(メタデータ) (2024-03-07T13:19:38Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - DiffCast: A Unified Framework via Residual Diffusion for Precipitation
Nowcasting [21.54722493957853]
降水流速計は、現在の観測結果に基づいてレーダエコー列を予測する重要なタスクであり、気象科学と都市への応用の両方に役立てることができる。
従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。
我々は、大域的決定論的な動きと残留メカニズムによる局所的な変動の観点から、カオス的な進化的降水系を分解し、モデル化する。
論文 参考訳(メタデータ) (2023-12-11T11:26:32Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳(メタデータ) (2022-12-07T09:31:25Z) - Attention-based Modeling of Physical Systems: Improved Latent
Representations [1.4502611532302039]
本研究では,異なる位置における関連測定に基づいて,任意の空間点における量に対する注意に基づくモデリングを提案する。
提案手法では,コンバータエンコーダを用いて計測と読み出し位置の処理を行う。
我々のモデルは、グラフ要素ネットワークや条件付きニューラルプロセスのような最先端モデルよりも一貫して優れています。
論文 参考訳(メタデータ) (2022-10-20T13:42:20Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Improved Surrogate Modeling of Fluid Dynamics with Physics-Informed
Neural Networks [0.0]
PINNは最近、基本的な制御方程式を含む物理ベースのドメイン知識をニューラルネットワークモデルに組み込む方法として大きな約束を示しました。
本稿では,流体力学系のモデリングをサロゲートするモデリング手法について検討する。
物理に基づく正規化項を組み込むことで、等価なデータ駆動サロゲートモデルを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2021-05-05T02:23:20Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。