論文の概要: Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting

• arxiv url: http://arxiv.org/abs/2210.08877v1
• Date: Mon, 17 Oct 2022 09:14:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 17:23:07.613039
• Title: Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting
• Title（参考訳）: データ駆動型短期海氷地域予測
• Authors: Timofey Grigoryev, Polina Verezemskaya, Mikhail Krinitskiy, Nikita Anikin, Alexander Gavrikov, Ilya Trofimov, Nikita Balabin, Aleksei Shpilman, Andrei Eremchenko, Sergey Gulev, Evgeny Burnaev, Vladimir Vanovskiy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.77986479871782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global warming made the Arctic available for marine operations and created demand for reliable operational sea ice forecasts to make them safe. While ocean-ice numerical models are highly computationally intensive, relatively lightweight ML-based methods may be more efficient in this task. Many works have exploited different deep learning models alongside classical approaches for predicting sea ice concentration in the Arctic. However, only a few focus on daily operational forecasts and consider the real-time availability of data they need for operation. In this work, we aim to close this gap and investigate the performance of the U-Net model trained in two regimes for predicting sea ice for up to the next 10 days. We show that this deep learning model can outperform simple baselines by a significant margin and improve its quality by using additional weather data and training on multiple regions, ensuring its generalization abilities. As a practical outcome, we build a fast and flexible tool that produces operational sea ice forecasts in the Barents Sea, the Labrador Sea, and the Laptev Sea regions.
• Abstract（参考訳）: 地球温暖化により北極は海洋活動に利用でき、安全のために信頼性の高い海氷予測が要求された。 海洋氷の数値モデルは非常に計算量が多いが、比較的軽量なmlベースの手法はより効率的である。 多くの研究は、北極における海氷濃度を予測する古典的なアプローチとともに、異なる深層学習モデルを利用してきた。 しかし、日々の運用予測に注目して、運用に必要なデータのリアルタイム可用性を検討することはわずかである。 本研究は,このギャップを埋め,今後10日間の海氷予測のために2つの体制で訓練されたU-Netモデルの性能を検討することを目的とする。 このディープラーニングモデルは,気象データの追加と複数リージョンでのトレーニングによって,単純なベースラインをかなりのマージンで上回ることができ,その品質を向上できることを示す。 実用的な結果として,バレンツ海,ラブラドール海,ラプテフ海地域での海氷予測を行う高速で柔軟なツールを構築した。

関連論文リスト

• SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
  本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。 我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。 実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T08:52:12Z)
• 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)
• Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
  本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。 本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
  論文  参考訳（メタデータ） (2024-05-07T01:17:06Z)
• Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble [0.3626013617212667]
  本稿ではLANE-SIという適応的な代理モデル手法を提案する。 異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。 我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
  論文  参考訳（メタデータ） (2023-12-07T14:48:30Z)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• 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)
• 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)
• Sea Ice Forecasting using Attention-based Ensemble LSTM [4.965782577704965]
  本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。 日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T21:37:29Z)
• 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)

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。