論文の概要: Spatial-Temporal Data Mining for Ocean Science: Data, Methodologies, and Opportunities

• arxiv url: http://arxiv.org/abs/2307.10803v1
• Date: Thu, 20 Jul 2023 12:12:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 13:22:38.981045
• Title: Spatial-Temporal Data Mining for Ocean Science: Data, Methodologies, and Opportunities
• Title（参考訳）: 海洋科学のための時空間データマイニング:データ,方法論,機会
• Authors: Hanchen Yang and Wengen Li and Shuyu Wang and Hui Li and Jihong Guan and Shuigeng Zhou and Jiannong Cao
• Abstract要約: 時空間データマイニング(STDM)研究は、気候予報や災害警報など、様々な海洋問題に対処するために行われている。 STDM海洋データは、例えば、多様な地域性や高い空間性など、いくつかの特徴とより複雑である。 この調査は、コンピュータ科学と海洋科学の両方の分野の科学者が、海洋におけるSTDMの基本的な概念、重要な技術、そしてオープンな課題をより深く理解するのに役立つだろう。
• 参考スコア（独自算出の注目度）: 33.342420636418794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing amount of spatial-temporal~(ST) ocean data, numerous spatial-temporal data mining (STDM) studies have been conducted to address various oceanic issues, e.g., climate forecasting and disaster warning. Compared with typical ST data (e.g., traffic data), ST ocean data is more complicated with some unique characteristics, e.g., diverse regionality and high sparsity. These characteristics make it difficult to design and train STDM models. Unfortunately, an overview of these studies is still missing, hindering computer scientists to identify the research issues in ocean while discouraging researchers in ocean science from applying advanced STDM techniques. To remedy this situation, we provide a comprehensive survey to summarize existing STDM studies in ocean. Concretely, we first summarize the widely-used ST ocean datasets and identify their unique characteristics. Then, typical ST ocean data quality enhancement techniques are discussed. Next, we classify existing STDM studies for ocean into four types of tasks, i.e., prediction, event detection, pattern mining, and anomaly detection, and elaborate the techniques for these tasks. Finally, promising research opportunities are highlighted. This survey will help scientists from the fields of both computer science and ocean science have a better understanding of the fundamental concepts, key techniques, and open challenges of STDM in ocean.
• Abstract（参考訳）: 時空間~(ST)海洋データの増加に伴い、気象予報や災害警報といった様々な海洋問題に対処するため、多くの時空間データマイニング(STDM)研究が実施されている。 典型的なSTデータ(例えば、交通データ)と比較すると、ST海洋データはより複雑で、例えば、多様な地域性や高い空間性といった特徴がある。 これらの特徴はSTDMモデルの設計と訓練を困難にしている。 残念なことに、これらの研究の概要はいまだに欠けており、コンピュータ科学者が海洋研究の問題を識別するのを妨げつつ、海洋科学の研究者が高度なSTDM技術を適用することを妨げている。 この状況を改善するため,海洋における既存のstm研究を総括する総合的な調査を行う。 具体的には,広く使用されているST海洋データセットをまず要約し,その特徴を同定する。 次に,典型的なst ocean data quality enhancement techniqueについて述べる。 次に,海洋における既存のSTDM研究を,予測,事象検出,パターンマイニング,異常検出という4つのタスクに分類し,これらのタスクのテクニックを精査する。 最後に、有望な研究機会が強調される。 この調査は、コンピュータ科学と海洋科学の両方の分野の科学者が、海洋におけるstdmの基本概念、鍵となる技術、そしてオープンチャレンジをよりよく理解するのに役立つだろう。

関連論文リスト

• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
  本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。 本稿では,生成技術に基づく時空間法を包括的に分析する。 また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
  論文  参考訳（メタデータ） (2024-05-15T12:07:43Z)
• Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and Challenges [4.497634148674422]
  一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。 ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
  論文  参考訳（メタデータ） (2023-10-30T19:12:51Z)
• OceanGPT: A Large Language Model for Ocean Science Tasks [37.053614694078014]
  我々は,海洋科学の課題に精通した,海洋領域における最初の大規模言語モデルであるOceanGPTを紹介した。 また,大量の海洋ドメイン命令データを自動的に取得する新しいフレームワークであるOceanGPTを提案する。 海洋域におけるLLMの能力を評価するため,最初の海洋学ベンチマークであるOceanBenchを構築した。
  論文  参考訳（メタデータ） (2023-10-03T13:17:35Z)
• Physical Knowledge Enhanced Deep Neural Network for Sea Surface Temperature Prediction [29.989387641655625]
  本研究では,歴史的観測から数値モデルへ物理知識を伝達する海面温度予測手法を提案する。 具体的には,エンコーダとGAN(Generative Adversarial Network)を組み合わせて,観測データから物理知識を抽出する。 数値モデルデータは、事前訓練されたモデルに入力され、物理強調データを生成し、SST予測に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T02:08:54Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• Synergy between Observation Systems Oceanic in Turbulent Regions [0.0]
  海洋ダイナミクスは、複雑な気候現象における海洋の役割を決定する上での公理の源である。 現在の観測システムは3次元海洋データに十分な統計的精度を達成するのに限界がある。 湾岸流と黒潮の延長流における海洋ダイナミクスのモデル化において,潜流クラス回帰と深層回帰ニューラルネットワークを探索するデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T22:52:57Z)
• 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)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。