論文の概要: A physics-constrained machine learning method for mapping gapless land
surface temperature
- arxiv url: http://arxiv.org/abs/2307.04817v1
- Date: Mon, 3 Jul 2023 01:44:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-16 04:04:54.302372
- Title: A physics-constrained machine learning method for mapping gapless land
surface temperature
- Title(参考訳): 物理制約付き機械学習による無空地表面温度のマッピング
- Authors: Jun Ma, Huanfeng Shen, Menghui Jiang, Liupeng Lin, Chunlei Meng, Chao
Zeng, Huifang Li, Penghai Wu
- Abstract要約: 本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。
勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。
純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
- 参考スコア(独自算出の注目度): 6.735896406986559
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: More accurate, spatio-temporally, and physically consistent LST estimation
has been a main interest in Earth system research. Developing physics-driven
mechanism models and data-driven machine learning (ML) models are two major
paradigms for gapless LST estimation, which have their respective advantages
and disadvantages. In this paper, a physics-constrained ML model, which
combines the strengths in the mechanism model and ML model, is proposed to
generate gapless LST with physical meanings and high accuracy. The hybrid model
employs ML as the primary architecture, under which the input variable physical
constraints are incorporated to enhance the interpretability and extrapolation
ability of the model. Specifically, the light gradient-boosting machine (LGBM)
model, which uses only remote sensing data as input, serves as the pure ML
model. Physical constraints (PCs) are coupled by further incorporating key
Community Land Model (CLM) forcing data (cause) and CLM simulation data
(effect) as inputs into the LGBM model. This integration forms the PC-LGBM
model, which incorporates surface energy balance (SEB) constraints underlying
the data in CLM-LST modeling within a biophysical framework. Compared with a
pure physical method and pure ML methods, the PC-LGBM model improves the
prediction accuracy and physical interpretability of LST. It also demonstrates
a good extrapolation ability for the responses to extreme weather cases,
suggesting that the PC-LGBM model enables not only empirical learning from data
but also rationally derived from theory. The proposed method represents an
innovative way to map accurate and physically interpretable gapless LST, and
could provide insights to accelerate knowledge discovery in land surface
processes and data mining in geographical parameter estimation.
- Abstract(参考訳): より正確で時空間的、物理的に一貫したLST推定は、地球系の研究において大きな関心を集めてきた。
物理駆動機構モデルとデータ駆動機械学習(ML)モデルの開発はギャップレスLST推定の2つの主要なパラダイムであり、それぞれに利点と欠点がある。
本稿では,メカニズムモデルとMLモデルの強度を組み合わせた物理制約型MLモデルを提案する。
ハイブリッドモデルはMLを主アーキテクチャとして採用し、入力変数の物理的制約を組み込んでモデルの解釈可能性と外挿能力を高める。
具体的には、リモートセンシングデータのみを入力として使用する光勾配ブースティングマシン(LGBM)モデルが、純粋なMLモデルとして機能する。
物理制約(PC)は、LGBMモデルへの入力として、重要なコミュニティランドモデル(CLM)にデータ(原因)とCLMシミュレーションデータ(効果)を強制的に組み込むことによって結合される。
この統合は、表面エネルギー収支(SEB)制約をバイオ物理フレームワーク内のCLM-LSTモデリングに組み込んだPC-LGBMモデルを形成する。
純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
また,PC-LGBMモデルでは,データから経験的学習が可能であるだけでなく,理論から合理的に導出できることが示唆された。
提案手法は,地表面プロセスにおける知識発見と地理的パラメータ推定におけるデータマイニングの促進を図り,高精度かつ物理的に解釈可能なギャップレスLSTをマッピングする革新的な方法である。
関連論文リスト
- Physics-Informed Machine Learning for Seismic Response Prediction OF
Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するためのディープニューラルネットワークに科学的原理と物理法則を取り入れている。
モデル順序の低減は、固有冗長性を持つ構造系の処理とモデル効率の向上に不可欠である。
運動方程式は系の非線形性を学ぶために操作され、物理的に解釈可能な結果の中で解空間を閉じる。
論文 参考訳(メタデータ) (2024-02-28T02:16:03Z) - Replication Study: Enhancing Hydrological Modeling with Physics-Guided
Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。
結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。
本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文 参考訳(メタデータ) (2024-02-21T16:26:59Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of
Geoscientific Systems [1.3597551064547502]
我々は,PCベースとMLベースのモデリングアプローチのギャップを埋める手段として,物理的に解釈可能なMass Conserving Perceptron (MCP)を提案する。
MCPは、PCモデルの基礎となる有向グラフ構造とGRNNの間の固有同型を利用して、物理過程の質量保存性を明確に表す。
論文 参考訳(メタデータ) (2023-10-12T18:09:33Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - FaIRGP: A Bayesian Energy Balance Model for Surface Temperatures
Emulation [13.745581787463962]
本稿では,エネルギー収支モデルの物理温度応答方程式を満たすデータ駆動エミュレータであるFaIRGPを紹介する。
本稿では,FaIRGPを用いて大気上層放射力の推定値を得る方法について述べる。
この研究が、気候エミュレーションにおけるデータ駆動手法の採用の拡大に寄与することを期待している。
論文 参考訳(メタデータ) (2023-07-14T08:43:36Z) - Enhancing predictive skills in physically-consistent way: Physics
Informed Machine Learning for Hydrological Processes [1.0635248457021496]
本研究では,概念的水文モデルのプロセス理解と最先端MLモデルの予測能力を組み合わせた物理インフォームド機械学習(PIML)モデルを開発する。
提案したモデルを用いて,インドのナルマダ川流域における目標(流れ流)と中間変数(実際の蒸発吸引)の月次時間系列を予測する。
論文 参考訳(メタデータ) (2021-04-22T12:13:42Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z)
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。