論文の概要: Learning the spatio-temporal relationship between wind and significant wave height using deep learning

• arxiv url: http://arxiv.org/abs/2205.13325v1
• Date: Thu, 26 May 2022 12:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 23:07:43.266936
• Title: Learning the spatio-temporal relationship between wind and significant wave height using deep learning
• Title（参考訳）: 深層学習を用いた風と波高の時空間関係の学習
• Authors: Said Obakrim, Val\'erie Monbet, Nicolas Raillard, Pierre Ailliot
• Abstract要約: 本研究は,ビスケー湾の沖合における北大西洋風と波高(Hs)の関係について検討した。 最初のステップでは、畳み込みニューラルネットワーク(CNN)を使用して、Hsに寄与する空間的特徴を抽出する。 次に、長期短期記憶(LSTM)を用いて、風と波の間の長期的な時間的依存関係を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ocean wave climate has a significant impact on near-shore and off-shore human activities, and its characterisation can help in the design of ocean structures such as wave energy converters and sea dikes. Therefore, engineers need long time series of ocean wave parameters. Numerical models are a valuable source of ocean wave data; however, they are computationally expensive. Consequently, statistical and data-driven approaches have gained increasing interest in recent decades. This work investigates the spatio-temporal relationship between North Atlantic wind and significant wave height (Hs) at an off-shore location in the Bay of Biscay, using a two-stage deep learning model. The first step uses convolutional neural networks (CNNs) to extract the spatial features that contribute to Hs. Then, long short-term memory (LSTM) is used to learn the long-term temporal dependencies between wind and waves.
• Abstract（参考訳）: 海洋波の気候は海岸付近やオフショアの人間の活動に大きな影響を与え、その特性は波力変換器やシーダイクのような海洋構造の設計に寄与する。 そのため、エンジニアは長期にわたる海洋波のパラメータを必要とする。 数値モデルは海洋波データの貴重な情報源であるが、計算上は高価である。 その結果、統計とデータ駆動のアプローチは、ここ数十年で注目を集めている。 本研究は,2段階の深層学習モデルを用いて,ビスケー湾の沖合における北大西洋風と有意波高(hs)の時空間関係を調査した。 最初のステップでは、畳み込みニューラルネットワーク(CNN)を使用して、Hsに寄与する空間的特徴を抽出する。 次に、長期記憶(LSTM)を用いて、風と波の長期時間依存性を学習する。

関連論文リスト

• Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting [69.4265346261936]
  時間的・空間的要因を統一するExtralongerを導入する。 これは特に、現実のベンチマークで1週間まで予測の地平を広げている。 長期および長期のシナリオで新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-30T04:28:20Z)
• Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
  我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。 その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。 本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
  論文  参考訳（メタデータ） (2024-06-12T20:29:14Z)
• OceanCastNet: A Deep Learning Ocean Wave Model with Energy Conservation [0.0]
  OceanCastNet (OCN) はエネルギーバランスの深いディープラーニングの予測モデルである。 OCNは、業界で広く使われているWaveWatch IIIモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-06T08:29:29Z)
• OceanNet: A principled neural operator-based digital twin for regional oceans [0.0]
  本研究は、海洋循環のための原理的ニューラルオペレーターベースのデジタルツインであるOceanNetを紹介する。 オーシャンネットは北西大西洋西部境界流(ガルフストリーム)に適用される
  論文  参考訳（メタデータ） (2023-10-01T23:06:17Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• 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)
• 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)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Synergy between Observation Systems Oceanic in Turbulent Regions [0.0]
  海洋ダイナミクスは、複雑な気候現象における海洋の役割を決定する上での公理の源である。 現在の観測システムは3次元海洋データに十分な統計的精度を達成するのに限界がある。 湾岸流と黒潮の延長流における海洋ダイナミクスのモデル化において,潜流クラス回帰と深層回帰ニューラルネットワークを探索するデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T22:52:57Z)

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。