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
- 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) - 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-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Modeling Oceanic Variables with Dynamic Graph Neural Networks [0.09830751917335563]
ブラジルのサントス・サンテ・ビセンテ・ベルティオガ地域における環境変数を予測するためのデータ駆動手法について述べる。
我々のモデルは、最先端のシーケンスモデルとリレーショナルモデルとを結合することにより、時間的および空間的帰納バイアスの両方を利用する。
実験の結果、柔軟性とドメイン知識の依存性のほとんどを維持しながら、私たちのモデルによってより良い結果が得られます。
論文 参考訳(メタデータ) (2022-06-25T22:43:02Z) - 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) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳(メタデータ) (2021-05-17T12:19:22Z) - 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) - 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。