論文の概要: Hybrid Optical Turbulence Models Using Machine Learning and Local Measurements

• arxiv url: http://arxiv.org/abs/2310.17829v1
• Date: Fri, 27 Oct 2023 00:41:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 15:09:29.860034
• Title: Hybrid Optical Turbulence Models Using Machine Learning and Local Measurements
• Title（参考訳）: 機械学習と局所測定を用いたハイブリッド光乱流モデル
• Authors: Christopher Jellen and Charles Nelson and John Burkhardt and Cody Brownell
• Abstract要約: 局所的な環境下での光乱流を予測するための機械学習情報ハイブリッドモデルフレームワークを開発した。 ベースラインのマクロ気象モデルと局所観測を組み合わせることで,各ベースラインモデルの予測能力を改善するためにハイブリッドモデルを訓練した。 本モデルでは, 平均絶対誤差(MAE)を約29%低減し, 平均絶対誤差(MAE)を1日分の観測で測定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of atmospheric optical turbulence in localized environments is essential for estimating the performance of free-space optical systems. Macro-meteorological models developed to predict turbulent effects in one environment may fail when applied in new environments. However, existing macro-meteorological models are expected to offer some predictive power. Building a new model from locally-measured macro-meteorology and scintillometer readings can require significant time and resources, as well as a large number of observations. These challenges motivate the development of a machine-learning informed hybrid model framework. By combining some baseline macro-meteorological model with local observations, hybrid models were trained to improve upon the predictive power of each baseline model. Comparisons between the performance of the hybrid models, the selected baseline macro-meteorological models, and machine-learning models trained only on local observations highlight potential use cases for the hybrid model framework when local data is expensive to collect. Both the hybrid and data-only models were trained using the Gradient Boosted Decision Tree (GBDT) architecture with a variable number of in-situ meteorological observations. The hybrid and data-only models were found to outperform three baseline macro-meteorological models, even for low numbers of observations, in some cases as little as one day. For the first baseline macro-meteorological model investigated, the hybrid model achieves an estimated 29% reduction in mean absolute error (MAE) using only one days-equivalent of observation, growing to 41% after only two days, and 68% after 180 days-equivalent training data. The number of days-equivalent training data required is potentially indicative of the seasonal variation in the local microclimate and its propagation environment.
• Abstract（参考訳）: 自由空間光学系の性能推定には,局所環境における大気光乱流の正確な予測が不可欠である。 ある環境における乱流効果を予測するために開発されたマクロ気象モデルは、新しい環境に適用した場合に失敗する可能性がある。 しかし、既存のマクロ気象モデルには予測能力が期待できる。 局所測定されたマクロ気象学とシンチロメーターによる新しいモデルの構築には、かなりの時間とリソースと多くの観測が必要である。 これらの課題は、機械学習によるインフォームドハイブリッドモデルフレームワークの開発を動機付ける。 ベースラインのマクロ気象モデルと局所観測を組み合わせることで,各ベースラインモデルの予測能力を改善するためにハイブリッドモデルを訓練した。 ハイブリッドモデルの性能,選択されたマクロ気象モデル,および局所観測でのみトレーニングされた機械学習モデルの比較は,局所データが収集に費用がかかる場合のハイブリッドモデルフレームワークの潜在的なユースケースを浮き彫りにする。 ハイブリッドモデルとデータオンリーモデルの両方を,その場で観測される様々な気象観測量を持つGBDT(Gradient Boosted Decision Tree)アーキテクチャを用いて訓練した。 ハイブリッドモデルとデータのみのモデルでは, 観測回数が少ない場合でも, 1日で3つのベースラインマクロ気象モデルを上回る結果が得られた。 調査した最初のベースライン・マクロ気象モデルでは、平均絶対誤差(mae)が1日分の観測で29%減少し、わずか2日で41%、180日分の訓練データで68%と推定された。 必要な日あたりのトレーニングデータ数は,局所微気候とその伝播環境の季節変動を示す可能性がある。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Expanding Mars Climate Modeling: Interpretable Machine Learning for Modeling MSL Relative Humidity [0.0]
  本稿では,機械学習技術を活用した火星の気候モデリング手法を提案する。 我々の研究は、Gale Craterの相対湿度を正確にモデル化するために設計されたディープニューラルネットワークを提案する。 我々のニューラルネットワークは、いくつかの気象変数を用いて、ガレクレーターの相対湿度を効果的にモデル化できることがわかった。
  論文  参考訳（メタデータ） (2023-09-04T08:15:15Z)
• Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching [0.0]
  我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。 本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
  論文  参考訳（メタデータ） (2023-08-11T18:29:28Z)
• DiffESM: Conditional Emulation of Earth System Models with Diffusion Models [2.1989764549743476]
  地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。 拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
  論文  参考訳（メタデータ） (2023-04-23T17:12:33Z)
• Towards Learned Emulation of Interannual Water Isotopologue Variations in General Circulation Models [2.161227459325287]
  本研究では, 降水時の酸素同位体組成の明示的な物理に基づくシミュレーションを, 機械学習を用いて置き換える可能性を検討する。 我々は、UNetアーキテクチャの成功に基づいて畳み込みニューラルネットワーク(CNN)を実装し、球面ネットワークアーキテクチャが地球の緯度-経度格子を平坦な画像として扱うという単純なアプローチよりも優れているかどうかをテストする。
  論文  参考訳（メタデータ） (2023-01-31T07:54:52Z)
• 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)
• Long-term stability and generalization of observationally-constrained stochastic data-driven models for geophysical turbulence [0.19686770963118383]
  ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。 データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。 決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。 本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-09T23:52:37Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。