論文の概要: Improving trajectory calculations using deep learning inspired single image superresolution

• arxiv url: http://arxiv.org/abs/2206.04015v1
• Date: Tue, 7 Jun 2022 14:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 15:04:38.720128
• Title: Improving trajectory calculations using deep learning inspired single image superresolution
• Title（参考訳）: 深層学習による単一画像超解像を用いた軌道計算の改善
• Authors: R\"udiger Brecht, Lucie Bakels, Alex Bihlo, Andreas Stohl
• Abstract要約: 低分解能ERA5リアナリシスデータに基づいて、超解像のための最先端の深層残留ネットワークの様々なバージョンを訓練する。 得られた風速は, 線形空間推定により得られた風の約半分の根平均2乗であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lagrangian trajectory or particle dispersion models as well as semi-Lagrangian advection schemes require meteorological data such as wind, temperature and geopotential at the exact spatio-temporal locations of the particles that move independently from a regular grid. Traditionally, this high-resolution data has been obtained by interpolating the meteorological parameters from the gridded data of a meteorological model or reanalysis, e.g. using linear interpolation in space and time. However, interpolation errors are a large source of error for these models. Reducing them requires meteorological input fields with high space and time resolution, which may not always be available and can cause severe data storage and transfer problems. Here, we interpret this problem as a single image superresolution task. We interpret meteorological fields available at their native resolution as low-resolution images and train deep neural networks to up-scale them to higher resolution, thereby providing more accurate data for Lagrangian models. We train various versions of the state-of-the-art Enhanced Deep Residual Networks for Superresolution on low-resolution ERA5 reanalysis data with the goal to up-scale these data to arbitrary spatial resolution. We show that the resulting up-scaled wind fields have root-mean-squared errors half the size of the winds obtained with linear spatial interpolation at acceptable computational inference costs. In a test setup using the Lagrangian particle dispersion model FLEXPART and reduced-resolution wind fields, we demonstrate that absolute horizontal transport deviations of calculated trajectories from "ground-truth" trajectories calculated with undegraded 0.5{\deg} winds are reduced by at least 49.5% (21.8%) after 48 hours relative to trajectories using linear interpolation of the wind data when training on 2{\deg} to 1{\deg} (4{\deg} to 2{\deg}) resolution data.
• Abstract（参考訳）: ラグランジアン軌道や粒子分散モデル、半ラグランジアン対流スキームは、通常の格子から独立に動く粒子の正確な時空間的位置において風、温度、地電位などの気象データを必要とする。 伝統的に、この高分解能データは、気象モデルの格子データから気象パラメータを補間したり、例えば時空における線形補間を用いて再分析したりすることで得られる。 しかし、補間誤差はこれらのモデルにとって大きな誤差源である。 それらを減らすには、高空間と時間分解能の気象学的入力フィールドが必要であり、必ずしも利用できない可能性があり、データ保存や転送の問題を引き起こす可能性がある。 本稿では,この問題を単一画像超解像課題と解釈する。 我々は、ネイティブ解像度で利用可能な気象場を低解像度画像として解釈し、ディープニューラルネットワークを訓練してより高分解能に拡張し、ラグランジアンモデルに対してより正確なデータを提供する。 低分解能ERA5リアナリシスデータに対する超解像のための最先端深部残像ネットワークの様々なバージョンを訓練し、これらのデータを任意の空間分解能にスケールアップする。 以上の結果から, 線形空間補間により得られた風の大きさの半分の根平均二乗誤差を許容可能な計算コストで有することを示す。 ラグランジュ粒子分散モデルFLEXPARTと低分解能風場を用いた実験では, 2{\deg} から 1{\deg} (4{\deg} から 2{\deg} への学習における風速データの線形補間による48時間後, 0.5{\deg} の風速で計算した「地中トラジェクトリ」の絶対水平輸送偏差が少なくとも49.5% (21.8%) 減少することを示した。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Bivariate DeepKriging for Large-scale Spatial Interpolation of Wind Fields [2.586710925821896]
  高空間分解能風速データは、気候、海洋学、気象学研究における幅広い応用に不可欠である。 2次元の速度を持つ二変量風場の大規模空間計算やダウンスケーリングは難しい課題である。 本稿では,空間的ラジアル基底関数によって構築された埋め込み層を持つ空間依存型ディープニューラルネットワーク(DNN)であるバイバリケートディープクリギングを提案する。 提案したDNNモデルの計算効率とスケーラビリティを,従来の手法に比べて平均20倍高速な計算で実証する。
  論文  参考訳（メタデータ） (2023-07-16T13:34:44Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Real-time Ionospheric Imaging of S4 Scintillation from Limited Data with Parallel Kalman Filters and Smoothness [91.3755431537592]
  南アメリカ上空350kmでS4振幅シンチレーションの2次元電離層像を時間分解能1分で作成する。 その結果, 地上受信機のネットワークが比較的良好なエリアでは, 生成画像が信頼性の高いリアルタイム結果を提供できることがわかった。
  論文  参考訳（メタデータ） (2021-05-11T23:09:14Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Stochastic Super-Resolution for Downscaling Time-Evolving Atmospheric Fields with a Generative Adversarial Network [1.933681537640272]
  我々は、同じフィールドの低解像度画像列からなる入力に対して、時間進化する高分解能大気圧のアンサンブルを生成することができる、繰り返し発生する超高分解能GANを導入する。 GANは、両方のデータセットに対して、現実的で、時間的に一貫した超分解能シーケンスを生成することができる。 GANジェネレータは完全に畳み込み型であるため、訓練後にトレーニングに使用する画像よりも大きな画像を入力することができる。
  論文  参考訳（メタデータ） (2020-05-20T22:06:52Z)

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。