論文の概要: Hierarchical Information-sharing Convolutional Neural Network for the Prediction of Arctic Sea Ice Concentration and Velocity

• arxiv url: http://arxiv.org/abs/2311.00167v2
• Date: Wed, 20 Nov 2024 19:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:16:33.425394
• Title: Hierarchical Information-sharing Convolutional Neural Network for the Prediction of Arctic Sea Ice Concentration and Velocity
• Title（参考訳）: 北極海氷濃度と速度予測のための階層型情報共有畳み込みニューラルネットワーク
• 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SIV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。 HIS-Unetの改善は、SICとWAMによるSIV間の情報共有が、SICとSIVの動的変化の学習に役立つことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Forecasting sea ice concentration (SIC) and sea ice velocity (SIV) 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 SIV. Instead of learning SIC and SIV separately at each branch, we allow the SIC and SIV 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 more significant to when and where SIC changes seasonally, which implies that the information sharing between SIC and SIV through WAMs helps learn the dynamic changes of SIC and SIV. The weight values of the WAMs imply that SIC information plays a more critical role in SIV prediction, compared to that of SIV information in SIC prediction, and information sharing is more active in marginal ice zones (e.g., East Greenland and Hudson/Baffin Bays) than in the central Arctic.
• Abstract（参考訳）: 北極海における海氷濃度(SIC)と海氷速度(SIV)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。 物理海氷モデルには複雑なパラメータ化を伴う計算コストが要求されるため、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し, 日々のSICとSIVを予測する。 各ブランチでSICとSIVを個別に学習する代わりに、SICとSIV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、我々の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。 HIS-Unetの改善は、SICとWAMによるSIV間の情報共有が、SICとSIVの動的変化の学習に役立つことを示唆している。 WAMの重み付け値は、SIV予測においてSIV情報よりもSIV予測においてSIC情報の方が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地域よりも境界氷地帯(例えば、東グリーンランド、ハドソン/バフィン湾)でより活発である。

関連論文リスト

• SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
  本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。 我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。 実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T08:52:12Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• 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)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Explainable deep learning for insights in El Nino and river flows [15.821929236741546]
  エルニーノ・サザン振動(エルニーノ・サザン・オシレーション、英語: El Nino Southern Oscillation、略称:ENSO)は、太平洋中部および東部の海面温度の半周期変動である。 近年の研究では、ENSO予測を改善するためのディープラーニング(DL)手法の価値が実証されている。
  論文  参考訳（メタデータ） (2022-01-07T18:39:33Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• 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)

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。