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
- Physics-Trained Neural Network as Inverse Problem Solver for Potential Fields: An Example of Downward Continuation between Arbitrary Surfaces [9.727358008769501]
下向きの継続は、重力や磁場を含むポテンシャル場処理において重要なタスクである。
本稿では,この課題に対する物理学習型ディープニューラルネットワーク(DNN)に基づく新しいソリューションを提案する。
提案手法を西南極の合成磁気データと実世界の磁気データの両方で検証した。
論文 参考訳(メタデータ) (2025-01-26T15:45:19Z) - A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations [9.590290812962884]
本稿では,GFI(Generalized Forward-Inverse)フレームワークと呼ばれる,この分野における先行研究を特徴付ける統一フレームワークを提案する。
GFIは、GFIの特定のインスタンス化とみなすことができる地下画像の深層学習における従来の成果を包含していることを示す。
また,GFI のフレームワークとして,潜在 U-Net と非可逆 X-Net の2つの新しいモデルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-10-15T04:07:25Z) - FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。
我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
論文 参考訳(メタデータ) (2024-09-17T19:23:24Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。
このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。
流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。
大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
論文 参考訳(メタデータ) (2024-03-18T20:18:32Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
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) - 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 Meteo- and Spatial-Dependencies for Local Numerical Weather Prediction Bias-Correction [11.10401300641113]
本研究では,気象的依存関係と空間的依存関係を利用した局所的なNWPバイアス補正手法であるWeatherGNNを提案する。
2つの実世界のデータセットに対する実験結果から、WeatherGNNは最先端のパフォーマンスを達成し、RMSEの平均4.75%で最高のベースラインを上回りました。
論文 参考訳(メタデータ) (2023-10-09T08:33:19Z) - 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)
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。