論文の概要: Learning-based estimation of in-situ wind speed from underwater
acoustics
- arxiv url: http://arxiv.org/abs/2208.08912v1
- Date: Thu, 18 Aug 2022 15:27:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 14:18:43.389173
- Title: Learning-based estimation of in-situ wind speed from underwater
acoustics
- Title(参考訳): 学習に基づく水中音響からのその場風速推定
- Authors: Matteo Zambra, Dorian Cazau, Nicolas Farrugia, Alexandre Gensse, Sara
Pensieri, Roberto Bozzano, Ronan Fablet
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 58.293528982012255
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Wind speed retrieval at sea surface is of primary importance for scientific
and operational applications. Besides weather models, in-situ measurements and
remote sensing technologies, especially satellite sensors, provide
complementary means to monitor wind speed. As sea surface winds produce sounds
that propagate underwater, underwater acoustics recordings can also deliver
fine-grained wind-related information. Whereas model-driven schemes, especially
data assimilation approaches, are the state-of-the-art schemes to address
inverse problems in geoscience, machine learning techniques become more and
more appealing to fully exploit the potential of observation datasets. Here, we
introduce a deep learning approach for the retrieval of wind speed time series
from underwater acoustics possibly complemented by other data sources such as
weather model reanalyses. Our approach bridges data assimilation and
learning-based frameworks to benefit both from prior physical knowledge and
computational efficiency. Numerical experiments on real data demonstrate that
we outperform the state-of-the-art data-driven methods with a relative gain up
to 16% in terms of RMSE. Interestingly, these results support the relevance of
the time dynamics of underwater acoustic data to better inform the time
evolution of wind speed. They also show that multimodal data, here underwater
acoustics data combined with ECMWF reanalysis data, may further improve the
reconstruction performance, including the robustness with respect to missing
underwater acoustics data.
- Abstract(参考訳): 海面での風速の探索は、科学的および運用上の用途において最も重要なものである。
気象モデルに加えて、その場測定やリモートセンシング技術、特に衛星センサーは、風速を監視する補完手段を提供する。
海面の風が水中を伝播する音を発生させるため、水中の音響記録は微粒な風に関する情報も提供できる。
モデル駆動型スキーム、特にデータ同化アプローチは、地球科学における逆問題に対処する最先端のスキームであるのに対し、機械学習技術は観測データセットの可能性を完全に活用するためにますます魅力的になっている。
本稿では,気象モデルの再解析など他のデータソースが補完する可能性のある水中音響から,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。
実データに対する数値実験により、rmseの相対的な増加率は16%と最先端のデータ駆動手法を上回った。
興味深いことに、これらの結果は水中の音響データの時間ダイナミクスの関連性をサポートし、風速の時間変化をよりよく知らせる。
また,水中音響データとecmwf再解析データを組み合わせたマルチモーダルデータにより,水中音響データの欠落に対するロバスト性など,復元性能がさらに向上する可能性が示唆された。
関連論文リスト
- 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-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - Cross-domain Sound Recognition for Efficient Underwater Data Analysis [4.373836150479923]
本研究では, 水中音の広帯域学習モデルを用いて, 水中音響データを解析するための新しい深層学習手法を提案する。
我々は,PCA と UMAP の可視化を用いて2次元空間にデータをクラスタ化し,これらのクラスタ内の点を聴き,それらの定義特性を理解する。
第2部では、選択した水中データと非水中データセットの両方を用いてニューラルネットワークモデルを訓練する。
論文 参考訳(メタデータ) (2023-09-07T02:26:32Z) - 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) - GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。
我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。
また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-12-07T16:30:51Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - Analyzing High-Resolution Clouds and Convection using Multi-Channel VAEs [15.695330558298705]
大気科学者は、高解像度で嵐を解消するシミュレーションを実行し、キロメートル規模の気象の詳細を捉えます。
本稿では, 垂直風速, 温度, 水蒸気情報の空間配列を, VAEアーキテクチャの3つの「チャネル」として結合的に埋め込み, データ駆動型アプローチを提案する。
論文 参考訳(メタデータ) (2021-12-01T06:23:07Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Deep Learning for Surface Wave Identification in Distributed Acoustic
Sensing Data [1.7237878022600697]
実データ,複雑なDASデータを処理するための,高度にスケーラブルで効率的なアプローチを提案する。
深い教師付き学習は、人類活動によって生じる「有用な」コヒーレントな表面波を特定するために用いられる。
本手法は,地中活動と埋設センサとの相互作用を記述した解釈パターンを提供する。
論文 参考訳(メタデータ) (2020-10-15T15:53:03Z)
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。