論文の概要: Transformer-based Atmospheric Density Forecasting
- arxiv url: http://arxiv.org/abs/2310.16912v1
- Date: Wed, 25 Oct 2023 18:23:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 23:57:28.335202
- Title: Transformer-based Atmospheric Density Forecasting
- Title(参考訳): 変圧器を用いた大気密度予測
- Authors: Julia Briden, Peng Mun Siew, Victor Rodriguez-Fernandez, Richard
Linares
- Abstract要約: ディープラーニングベースの予測は、データの非線形性をキャプチャする能力を持つ。
この研究は、大気密度予測のための従来の線形伝搬法を改善する。
- 参考スコア(独自算出の注目度): 0.8699677835130409
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the peak of the solar cycle approaches in 2025 and the ability of a single
geomagnetic storm to significantly alter the orbit of Resident Space Objects
(RSOs), techniques for atmospheric density forecasting are vital for space
situational awareness. While linear data-driven methods, such as dynamic mode
decomposition with control (DMDc), have been used previously for forecasting
atmospheric density, deep learning-based forecasting has the ability to capture
nonlinearities in data. By learning multiple layer weights from historical
atmospheric density data, long-term dependencies in the dataset are captured in
the mapping between the current atmospheric density state and control input to
the atmospheric density state at the next timestep. This work improves upon
previous linear propagation methods for atmospheric density forecasting, by
developing a nonlinear transformer-based architecture for atmospheric density
forecasting. Empirical NRLMSISE-00 and JB2008, as well as physics-based TIEGCM
atmospheric density models are compared for forecasting with DMDc and with the
transformer-based propagator.
- Abstract(参考訳): 2025年に太陽周期のピークが近づき、1つの地磁気嵐が居住空間オブジェクト(RSO)の軌道を著しく変化させる能力を持つため、大気密度予測技術は宇宙の状況認識に不可欠である。
制御を伴う動的モード分解(DMDc)のような線形データ駆動手法は、これまで大気密度の予測に用いられてきたが、深層学習に基づく予測ではデータの非線形性を捉えることができる。
過去の大気密度データから複数の層重みを学習することにより、データセットの長期的依存関係を現在の大気密度状態のマッピングと次の時点の大気密度状態への制御入力にキャプチャする。
本研究は, 従来の大気密度予測のための線形伝搬法を改良し, 大気密度予測のための非線形変圧器アーキテクチャを開発した。
実験的なNRLMSISE-00とJB2008、物理に基づくTIEGCM大気密度モデルを比較して、DMDcとトランスフォーマーベースのプロパゲータで予測する。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Precision Mars Entry Navigation with Atmospheric Density Adaptation via
Neural Networks [0.0]
真の火星大気密度とオンボード密度モデルとの相違は、宇宙船の航法フィルタの性能を著しく損なう可能性がある。
この研究は、ニューラルネットワークを用いて大気密度を推定し、推定の不確実性を考慮した考察分析を用いることで、火星の突入に対するオンラインフィルタリングに新しいアプローチを導入している。
論文 参考訳(メタデータ) (2024-01-17T19:10:09Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - 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) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳(メタデータ) (2023-03-17T13:53:59Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳(メタデータ) (2022-11-08T17:36:37Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。