論文の概要: Neural Fields for Fast and Scalable Interpolation of Geophysical Ocean
Variables
- arxiv url: http://arxiv.org/abs/2211.10444v1
- Date: Fri, 18 Nov 2022 14:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 18:53:28.638613
- Title: Neural Fields for Fast and Scalable Interpolation of Geophysical Ocean
Variables
- Title(参考訳): 物理的海洋変数の高速かつスケーラブルな補間のためのニューラルフィールド
- Authors: J. Emmanuel Johnson, Redouane Lguensat, Ronan Fablet, Emmanuel Cosme,
Julien Le Sommer
- Abstract要約: 物理海洋学における標準的な復元問題に対して,NerFsが容易に適用可能であることを示す。
衛星高度計による海面高さのスパース測定のギャップ充填におけるNerFsの意義について述べる。
NerFsは,地学的な問題に容易に適用可能な,実践的な手法のセットであることがわかった。
- 参考スコア(独自算出の注目度): 5.333802479607541
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal Interpolation (OI) is a widely used, highly trusted algorithm for
interpolation and reconstruction problems in geosciences. With the influx of
more satellite missions, we have access to more and more observations and it is
becoming more pertinent to take advantage of these observations in applications
such as forecasting and reanalysis. With the increase in the volume of
available data, scalability remains an issue for standard OI and it prevents
many practitioners from effectively and efficiently taking advantage of these
large sums of data to learn the model hyperparameters. In this work, we
leverage recent advances in Neural Fields (NerFs) as an alternative to the OI
framework where we show how they can be easily applied to standard
reconstruction problems in physical oceanography. We illustrate the relevance
of NerFs for gap-filling of sparse measurements of sea surface height (SSH) via
satellite altimetry and demonstrate how NerFs are scalable with comparable
results to the standard OI. We find that NerFs are a practical set of methods
that can be readily applied to geoscience interpolation problems and we
anticipate a wider adoption in the future.
- Abstract(参考訳): 最適補間 (Optimal Interpolation, OI) は、地球科学における補間および再構成問題に対して広く用いられる、信頼性の高いアルゴリズムである。
衛星ミッションの流入により、より多くの観測にアクセスでき、予測や再分析などの応用においてこれらの観測を活用することがより重要になっている。
利用可能なデータ量の増加に伴い、スケーラビリティは標準のOIでは依然として問題であり、多くの実践者がこれらの膨大なデータを利用してモデルハイパーパラメーターを学ぶのを効果的に効果的に防いでいる。
本研究では,OIフレームワークの代替としてニューラルフィールド(NerFs)の最近の進歩を活用し,物理海洋学における標準的な再構築問題にどのように適用できるかを示す。
衛星高度計による海面高度(SSH)のスパース測定のギャップ充填におけるNerFsの意義を述べるとともに,標準のOIと同等の精度でNerFsのスケーラビリティを実証する。
NerFsは,地学補間問題に容易に適用可能な実用的手法であり,将来広く採用されることを期待している。
関連論文リスト
- Robust Survival Analysis with Adversarial Regularization [6.744865363435712]
サバイバル分析(Survival Analysis、SA)とは、関心事が起こるまでの時間をモデル化することである。
最近の研究は、SAの複雑な関係を捉えるためにニューラルネットワーク(NN)を使用することの利点を実証している。
これらのモデルをトレーニングするために使用されるデータセットは、しばしば不確実性にさらされることを示している。
論文 参考訳(メタデータ) (2023-12-26T12:18:31Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Achieving Constraints in Neural Networks: A Stochastic Augmented
Lagrangian Approach [49.1574468325115]
DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。
制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。
我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
論文 参考訳(メタデータ) (2023-10-25T13:55:35Z) - Neural Network with Local Converging Input (NNLCI) for Supersonic Flow
Problems with Unstructured Grids [0.9152133607343995]
非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。
また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
論文 参考訳(メタデータ) (2023-10-23T19:03:37Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳(メタデータ) (2023-10-17T05:03:00Z) - WeatherGNN: Exploiting Complicated Relationships in Numerical Weather
Prediction Bias Correction [11.765987861738402]
数値気象予測(NWP)は、不完全な大気物理過程、空間時間分解能の不足、気象の固有の不確実性により不正確または偏りがある可能性がある。
We propose WeatherGNN, a NWP bias-correction method that using Graph Neural Networks (GNN) to learn meteorological and Geographic relationship in a unified framework。
提案手法は,各格子内の気象相互作用を適応的に捉える因子的GNNと,グリッド間の空間的依存関係を動的に捉える高速階層的GNNとを含む。
論文 参考訳(メタデータ) (2023-10-09T08:33:19Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳(メタデータ) (2022-07-07T17:55:26Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳(メタデータ) (2022-03-27T05:03:56Z) - Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。
本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
論文 参考訳(メタデータ) (2021-11-19T10:41:49Z) - Filtering Internal Tides From Wide-Swath Altimeter Data Using
Convolutional Neural Networks [9.541153192112194]
本稿では畳み込みニューラルネットワーク(ConvNets)を用いて、内潮信号のないフィールドを推定する。
また,海面温度(SST)などの他の海面変数からの追加データについても検討した。
論文 参考訳(メタデータ) (2020-05-03T14:02:31Z)
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。