論文の概要: Multi-task Deep Convolutional Network to Predict Sea Ice Concentration
and Drift in the Arctic Ocean
- arxiv url: http://arxiv.org/abs/2311.00167v1
- Date: Tue, 31 Oct 2023 21:51:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 15:49:40.630774
- Title: Multi-task Deep Convolutional Network to Predict Sea Ice Concentration
and Drift in the Arctic Ocean
- Title(参考訳): 北極海における海氷濃度と漂流予測のための多タスク深層畳み込みネットワーク
- Authors: Younghyun Koo, Maryam Rahnemoonfar
- Abstract要約: 本研究では, 階層型情報共有U-net (HIS-Unet) と呼ばれる新しいマルチタスクネットワークアーキテクチャを提案し, 日々のSICとSIDを予測する。
私たちのHIS-Unetは、他の統計手法、海氷物理モデル、そしてそのような情報共有ユニットのないニューラルネットワークよりも優れています。
WAMの重み値は、SID情報の方がSIC予測においてSID情報よりも重要な役割を担っていることを示唆しており、情報共有は中央北極氷(複数年氷)よりも海氷の端(海水氷)で活発であることを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting sea ice concentration (SIC) and sea ice drift (SID) in the Arctic
Ocean is of great significance as the Arctic environment has been changed by
the recent warming climate. Given that physical sea ice models require high
computational costs with complex parameterization, deep learning techniques can
effectively replace the physical model and improve the performance of sea ice
prediction. This study proposes a novel multi-task fully conventional network
architecture named hierarchical information-sharing U-net (HIS-Unet) to predict
daily SIC and SID. Instead of learning SIC and SID separately at each branch,
we allow the SIC and SID layers to share their information and assist each
other's prediction through the weighting attention modules (WAMs).
Consequently, our HIS-Unet outperforms other statistical approaches, sea ice
physical models, and neural networks without such information-sharing units.
The improvement of HIS-Unet is obvious both for SIC and SID prediction when and
where sea ice conditions change seasonally, which implies that the information
sharing through WAMs allows the model to learn the sudden changes of SIC and
SID. The weight values of the WAMs imply that SIC information plays a more
critical role in SID prediction, compared to that of SID information in SIC
prediction, and information sharing is more active in sea ice edges (seasonal
sea ice) than in the central Arctic (multi-year sea ice).
- Abstract(参考訳): 北極海における海氷濃度(SIC)と海氷漂流(SID)の予測は、近年の温暖化によって北極環境が変化してきたため、非常に重要である。
物理海氷モデルは複雑なパラメータ化を伴う計算コストが高いため、深層学習技術は物理的モデルを効果的に置き換え、海氷予測の性能を向上させることができる。
本研究では,階層型情報共有U-net (HIS-Unet) と呼ばれる新しいマルチタスクネットワークアーキテクチャを提案する。
各ブランチでSICとSIDを個別に学習する代わりに、SICとSIDレイヤが情報を共有し、重み付けアテンションモジュール(WAM)を通してお互いの予測を支援する。
その結果、his-unetは、他の統計的アプローチ、海氷物理モデル、ニューラルネットワークを、そのような情報共有ユニットなしで上回っている。
HIS-Unetの改良はSICとSID予測の両方において,海氷条件が季節的に変化した時期と時期について明らかであり,WAMによる情報共有により,SICとSIDの急激な変化を学習することが可能である。
wamsの重量値は、sic予測におけるsid情報よりもsic情報の方がsid予測において重要な役割を担っており、情報共有は中央北極(多年海氷)よりも海氷(季節海氷)においてより活発であることを示している。
関連論文リスト
- Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。
本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
論文 参考訳(メタデータ) (2024-05-07T01:17:06Z) - Surrogate Modelling for Sea Ice Concentration using Lightweight Neural
Ensemble [0.3626013617212667]
本稿ではLANE-SIという適応的な代理モデル手法を提案する。
異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。
我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
論文 参考訳(メタデータ) (2023-12-07T14:48:30Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic
Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。
提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文 参考訳(メタデータ) (2023-08-08T18:18:31Z) - Sea Ice Segmentation From SAR Data by Convolutional Transformer Networks [11.550166295664255]
本稿では,ハイブリッド畳み込み変圧器(ConvTr)ネットワークを用いたSAR衛星画像に基づく海氷セグメンテーション手法を提案する。
提案手法は従来の畳み込みネットワークよりも優れ、純粋なトランスフォーマーモデルよりもはるかに効率的であることを示す。
論文 参考訳(メタデータ) (2023-06-13T09:38:23Z) - Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。
本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。
この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-10-17T09:14:35Z) - 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) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳(メタデータ) (2021-10-28T14:12:10Z) - Sea Ice Forecasting using Attention-based Ensemble LSTM [4.965782577704965]
本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。
日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
論文 参考訳(メタデータ) (2021-07-27T21:37:29Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳(メタデータ) (2021-06-24T17:29:42Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳(メタデータ) (2020-11-28T05:51:19Z)
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。