Fugu-MT 論文翻訳(概要): Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble

論文の概要: Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble

arxiv url: http://arxiv.org/abs/2312.04330v1
Date: Thu, 7 Dec 2023 14:48:30 GMT
ステータス: 処理完了
システム内更新日: 2023-12-08 14:44:09.453220
Title: Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble
Title（参考訳）: 軽量ニューラルアンサンブルを用いた海水氷濃度のサロゲートモデル
Authors: Julia Borisova, Nikolay O. Nikitin
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.3626013617212667
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The modeling and forecasting of sea ice conditions in the Arctic region are important tasks for ship routing, offshore oil production, and environmental monitoring. We propose the adaptive surrogate modeling approach named LANE-SI (Lightweight Automated Neural Ensembling for Sea Ice) that uses ensemble of relatively simple deep learning models with different loss functions for forecasting of spatial distribution for sea ice concentration in the specified water area. Experimental studies confirm the quality of a long-term forecast based on a deep learning model fitted to the specific water area is comparable to resource-intensive physical modeling, and for some periods of the year, it is superior. We achieved a 20% improvement against the state-of-the-art physics-based forecast system SEAS5 for the Kara Sea.
Abstract（参考訳）: 北極地域の海氷条件のモデル化と予測は、船舶のルーティング、沖合石油生産、環境モニタリングにとって重要な課題である。本研究では,特定水域における海氷濃度の空間分布予測に,損失関数が異なる比較的単純な深層学習モデルのアンサンブルを用いた適応型サーロゲートモデルである lane-si (lightweight automated neural ensembling for sea ice) を提案する。実験により,特定水域に適合する深層学習モデルに基づく長期予測の品質は,資源集約的な物理モデリングに匹敵するものであり,年内にも優れていることが確認された。カラ海における最先端の物理系予測システムseas5に対する20%の改善を達成した。

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)
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
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)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
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)
An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文参考訳（メタデータ） (2023-02-20T16:08:54Z)
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)
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)

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。