Fugu-MT 論文翻訳(概要): Training neural mapping schemes for satellite altimetry with simulation data

論文の概要: Training neural mapping schemes for satellite altimetry with simulation data

arxiv url: http://arxiv.org/abs/2309.14350v1
Date: Tue, 19 Sep 2023 14:32:25 GMT
ステータス: 処理完了
システム内更新日: 2023-10-01 12:03:41.274287
Title: Training neural mapping schemes for satellite altimetry with simulation data
Title（参考訳）: シミュレーションデータを用いた衛星高度計のニューラルマッピング手法の訓練
Authors: Quentin Febvre, Julien Le Sommer, Cl\'ement Ubelmann, Ronan Fablet
Abstract要約: 深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
参考スコア（独自算出の注目度）: 6.591483977714996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Satellite altimetry combined with data assimilation and optimal interpolation schemes have deeply renewed our ability to monitor sea surface dynamics. Recently, deep learning (DL) schemes have emerged as appealing solutions to address space-time interpolation problems. The scarcity of real altimetry dataset, in terms of space-time coverage of the sea surface, however impedes the training of state-of-the-art neural schemes on real-world case-studies. Here, we leverage both simulations of ocean dynamics and satellite altimeters to train simulation-based neural mapping schemes for the sea surface height and demonstrate their performance for real altimetry datasets. We analyze further how the ocean simulation dataset used during the training phase impacts this performance. This experimental analysis covers both the resolution from eddy-present configurations to eddy-rich ones, forced simulations vs. reanalyses using data assimilation and tide-free vs. tide-resolving simulations. Our benchmarking framework focuses on a Gulf Stream region for a realistic 5-altimeter constellation using NEMO ocean simulations and 4DVarNet mapping schemes. All simulation-based 4DVarNets outperform the operational observation-driven and reanalysis products, namely DUACS and GLORYS. The more realistic the ocean simulation dataset used during the training phase, the better the mapping. The best 4DVarNet mapping was trained from an eddy-rich and tide-free simulation datasets. It improves the resolved longitudinal scale from 151 kilometers for DUACS and 241 kilometers for GLORYS to 98 kilometers and reduces the root mean squared error (RMSE) by 23% and 61%. These results open research avenues for new synergies between ocean modelling and ocean observation using learning-based approaches.
Abstract（参考訳）: 衛星高度計とデータ同化と最適補間法を組み合わせることで、海面のダイナミクスをモニターする能力を深く更新した。近年,時空補間問題に対処する手段として,ディープラーニング(DL)方式が注目されている。しかし、海面の時空間カバレッジの観点からは、実際の高度データセットの不足は、実際のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。本研究では,海洋力学シミュレーションと衛星高度計を併用し,海面高度のシミュレーションに基づくニューラルマッピングスキームを訓練し,実時間データセットでの性能を実証する。トレーニングフェーズで使用する海洋シミュレーションデータセットが、このパフォーマンスに与える影響をさらに分析する。この実験解析は, 渦流分布から渦のリッチな形状への分解能, 強制シミュレーションとデータ同化と潮流のない対潮解シミュレーションによる再解析の両方をカバーする。ベンチマークフレームワークは,nemo海洋シミュレーションと4dvarnetマッピングスキームを用いた,現実的な5時間星座のガルフストリーム領域に焦点を当てている。全てのシミュレーションベースの4DVarNetは、DUACSやGLORYSといった運用上の観察駆動および再分析製品より優れている。訓練フェーズで使用する海洋シミュレーションデータセットをよりリアルにすれば、マッピングがより良くなります。最高の4DVarNetマッピングは、エディリッチでタイトフリーなシミュレーションデータセットからトレーニングされた。分解された経年スケールは、DUACS 151km、GLORYS 241kmから98kmに改善され、根平均二乗誤差(RMSE)を23%と61%削減する。これらの結果は、学習に基づくアプローチを用いた海洋モデリングと海洋観測の新たな相乗効果の研究の道を開く。

関連論文リスト

Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
論文参考訳（メタデータ） (2024-11-20T00:42:40Z)
Super-Resolution works for coastal simulations [6.263499279406057]
高解像度のシミュレーションは、特に津波や暴風雨による洪水を予測するために、多くのプロセスの理解を深めるために必要である。本稿では,高分解能数値解を効率的に学習するための超解法拡張のためのDeep Networkを提案する。提案手法は,最先端の手法と比較して,高精細度で高速な計算が可能である。
論文参考訳（メタデータ） (2024-08-29T14:16:13Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy [0.7149367973754319]
LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
論文参考訳（メタデータ） (2024-03-07T13:19:38Z)
A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文参考訳（メタデータ） (2024-02-06T13:20:56Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
Evaluation of Deep Neural Operator Models toward Ocean Forecasting [0.3774866290142281]
ディープ・ニューラル・オペレーター・モデルは、古典的な流体の流れと現実的な海洋力学のシミュレーションを予測することができる。我々はまず,シリンダーを過ぎる2次元流体の模擬実験で,このような深部ニューラルネットワークモデルの能力を評価する。次に,中部大西洋帯およびマサチューセッツ湾における海洋表層循環予測への応用について検討した。
論文参考訳（メタデータ） (2023-08-22T22:38:54Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文参考訳（メタデータ） (2022-09-22T07:33:31Z)
Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文参考訳（メタデータ） (2022-06-15T17:29:57Z)
Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
論文参考訳（メタデータ） (2021-04-13T19:27:28Z)

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。