論文の概要: Predicting Critical Biogeochemistry of the Southern Ocean for Climate Monitoring

• arxiv url: http://arxiv.org/abs/2111.00126v1
• Date: Sat, 30 Oct 2021 00:13:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 12:05:32.481651
• Title: Predicting Critical Biogeochemistry of the Southern Ocean for Climate Monitoring
• Title（参考訳）: 気候モニタリングのための南洋の臨界生物地球化学予測
• Authors: Ellen Park, Jae Deok Kim, Nadege Aoki, Yumeng Melody Cao, Yamin Arefeen, Matthew Beveridge, David Nicholson, Iddo Drori
• Abstract要約: 我々は、南洋のケイ酸塩とリン酸塩の値を、温度、圧力、塩分濃度、酸素、硝酸塩、位置から予測するためにニューラルネットワークを訓練する。 これらのモデルを地球系モデル(ESM)およびBGC-Argoデータに適用し、この海洋観測ネットワークの有用性を拡大する。
• 参考スコア（独自算出の注目度）: 1.8689461238197955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Biogeochemical-Argo (BGC-Argo) program is building a network of globally distributed, sensor-equipped robotic profiling floats, improving our understanding of the climate system and how it is changing. These floats, however, are limited in the number of variables measured. In this study, we train neural networks to predict silicate and phosphate values in the Southern Ocean from temperature, pressure, salinity, oxygen, nitrate, and location and apply these models to earth system model (ESM) and BGC-Argo data to expand the utility of this ocean observation network. We trained our neural networks on observations from the Global Ocean Ship-Based Hydrographic Investigations Program (GO-SHIP) and use dropout regularization to provide uncertainty bounds around our predicted values. Our neural network significantly improves upon linear regression but shows variable levels of uncertainty across the ranges of predicted variables. We explore the generalization of our estimators to test data outside our training distribution from both ESM and BGC-Argo data. Our use of out-of-distribution test data to examine shifts in biogeochemical parameters and calculate uncertainty bounds around estimates advance the state-of-the-art in oceanographic data and climate monitoring. We make our data and code publicly available.
• Abstract（参考訳）: biogeochemical-argo(bgc-argo)プログラムは、グローバルに分散したセンサーを搭載したロボットプロファイリングフロートによるネットワークを構築し、気候システムの理解と、それがどのように変化するかを改善する。 しかし、これらのフロートは測定された変数の数に制限がある。 本研究では, 温度, 圧力, 塩分, 酸素, 硝酸, 位置から南洋のケイ酸塩およびリン酸値を予測するためにニューラルネットワークを訓練し, これらのモデルを地球系モデル(esm)およびbgc-argoデータに適用し, この海洋観測ネットワークの有用性を拡大する。 我々は,Global Ocean Ship-Based Hydrographic Investigations Program(GO-SHIP)の観測に基づいてニューラルネットワークをトレーニングし,予測値に不確実性をもたらすためにドロップアウト正規化を使用した。 我々のニューラルネットワークは線形回帰を著しく改善するが、予測変数の範囲で不確実性の変動レベルを示す。 ESMデータとBGC-Argoデータの両方からトレーニング分布外のデータをテストするための推定器の一般化を検討する。 生物地球化学的パラメータの変化を調査し, 推定値に関する不確実性境界を計算するために, 分布外試験データを用いて, 海洋データと気候モニタリングの最先端を推察した。 データとコードを公開しています。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
  様々な動物が環境の手がかりを使って正確なナビゲーションをしている。 動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。 提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
  論文  参考訳（メタデータ） (2024-02-06T13:20:56Z)
• Multi-decadal Sea Level Prediction using Neural Networks and Spectral Clustering on Climate Model Large Ensembles and Satellite Altimeter Data [0.0]
  本稿では,この長期海水準予測の挑戦的応用における機械学習(ML)の可能性を示す。 我々は,海面トレンドを予測できる完全連結ニューラルネットワーク(FCNN)を用いた教師あり学習フレームワークを開発した。 また、空間データセットを分割し、各セグメント領域に専用のMLモデルを学習する効果を示す。
  論文  参考訳（メタデータ） (2023-10-06T19:06:43Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• Sea level Projections with Machine Learning using Altimetry and Climate Model ensembles [0.6882042556551609]
  1993年以降に観測された衛星高度計は、地球平均海水準が前例のない速度で上昇していることを示している(3.4mm/年) 機械学習(ML)を用いて海面変動の将来パターンを解明する。 本研究では、衛星観測と気候モデルシミュレーションの両方を利用して海面上昇予測を生成する機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T19:18:38Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Assessment of Neural Networks for Stream-Water-Temperature Prediction [0.0]
  システムのレジリエンスと緩和策を特定するためには,ドライバの機械的理解と期待される変化の大きさが不可欠である。 本研究では,ドイツの6つの河川における水温予測のための最先端ニューラルネットワーク (NN) の選定について述べる。
  論文  参考訳（メタデータ） (2021-10-08T17:04:42Z)
• Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry [0.82354995224692]
  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。
  論文  参考訳（メタデータ） (2020-11-19T08:22:00Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。