論文の概要: Physics-Guided Generative Adversarial Networks for Sea Subsurface Temperature Prediction

• arxiv url: http://arxiv.org/abs/2111.03064v1
• Date: Thu, 4 Nov 2021 23:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 01:11:25.321988
• Title: Physics-Guided Generative Adversarial Networks for Sea Subsurface Temperature Prediction
• Title（参考訳）: 海面温度予測のための物理誘導生成逆ネットワーク
• Authors: Yuxin Meng, Eric Rigall, Xueen Chen, Feng Gao, Junyu Dong, Sheng Chen
• Abstract要約: 海面下温度は気候変動の地球温暖化の影響を受けている。 既存の研究は一般に物理学に基づく数値モデルまたはデータに基づくモデルに基づいている。 本稿では,GAN(Generative Adversarial Network)と数値モデルを組み合わせた,海底温度の予測手法を提案する。
• 参考スコア（独自算出の注目度）: 24.55780949103687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea subsurface temperature, an essential component of aquatic wildlife, underwater dynamics and heat transfer with the sea surface, is affected by global warming in climate change. Existing research is commonly based on either physics-based numerical models or data based models. Physical modeling and machine learning are traditionally considered as two unrelated fields for the sea subsurface temperature prediction task, with very different scientific paradigms (physics-driven and data-driven). However, we believe both methods are complementary to each other. Physical modeling methods can offer the potential for extrapolation beyond observational conditions, while data-driven methods are flexible in adapting to data and are capable of detecting unexpected patterns. The combination of both approaches is very attractive and offers potential performance improvement. In this paper, we propose a novel framework based on generative adversarial network (GAN) combined with numerical model to predict sea subsurface temperature. First, a GAN-based model is used to learn the simplified physics between the surface temperature and the target subsurface temperature in numerical model. Then, observation data are used to calibrate the GAN-based model parameters to obtain better prediction. We evaluate the proposed framework by predicting daily sea subsurface temperature in the South China sea. Extensive experiments demonstrate the effectiveness of the proposed framework compared to existing state-of-the-art methods.
• Abstract（参考訳）: 海面温度は、水生生物の必須成分であり、海面での動力学と熱伝達であり、地球温暖化と気候変動の影響を受けている。 既存の研究は一般に物理ベースの数値モデルまたはデータに基づくモデルに基づいている。 物理モデリングと機械学習は、伝統的に海面温度予測の2つの非関連分野として考えられており、科学的パラダイム(物理駆動とデータ駆動)は全く異なる。 しかし、両手法は互いに相補的だと信じている。 物理モデリング手法は観測条件を超えて外挿を行う可能性を提供し、一方、データ駆動方式はデータへの適応に柔軟であり、予期せぬパターンを検出することができる。 両方のアプローチの組み合わせは非常に魅力的で、潜在的なパフォーマンス改善を提供する。 本稿では,gan(generative adversarial network)と海面温度予測のための数値モデルを組み合わせた新しい枠組みを提案する。 まず, GANモデルを用いて, 数値モデルを用いて表面温度と対象地表面温度との簡易な物理を学習する。 そして、観測データを用いてガンモデルパラメータを校正し、より良い予測を得る。 提案手法は,南シナ海での日中海面温度を予測して評価する。 大規模な実験により提案手法の有効性が実証された。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Surrogate Neural Networks to Estimate Parametric Sensitivity of Ocean Models [2.956865819041394]
  海洋プロセスはハリケーンや干ばつなどの現象に影響を与える。 理想的な海洋モデルでは、摂動パラメータアンサンブルデータと訓練された代理ニューラルネットワークモデルを生成した。 ニューラルサロゲートは1ステップの前進ダイナミクスを正確に予測し、パラメトリック感度を計算した。
  論文  参考訳（メタデータ） (2023-11-10T16:37:43Z)
• Expanding Mars Climate Modeling: Interpretable Machine Learning for Modeling MSL Relative Humidity [0.0]
  本稿では,機械学習技術を活用した火星の気候モデリング手法を提案する。 我々の研究は、Gale Craterの相対湿度を正確にモデル化するために設計されたディープニューラルネットワークを提案する。 我々のニューラルネットワークは、いくつかの気象変数を用いて、ガレクレーターの相対湿度を効果的にモデル化できることがわかった。
  論文  参考訳（メタデータ） (2023-09-04T08:15:15Z)
• Physical Knowledge Enhanced Deep Neural Network for Sea Surface Temperature Prediction [29.989387641655625]
  本研究では,歴史的観測から数値モデルへ物理知識を伝達する海面温度予測手法を提案する。 具体的には,エンコーダとGAN(Generative Adversarial Network)を組み合わせて,観測データから物理知識を抽出する。 数値モデルデータは、事前訓練されたモデルに入力され、物理強調データを生成し、SST予測に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T02:08:54Z)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface Temperature Anomalies [2.8411302762015844]
  我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。 このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。 また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
  論文  参考訳（メタデータ） (2022-02-21T03:11:27Z)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)

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。