論文の概要: Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields

• arxiv url: http://arxiv.org/abs/2312.08933v1
• Date: Thu, 14 Dec 2023 13:40:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 22:01:50.073988
• Title: Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields
• Title（参考訳）: マルチモーダル学習による高分解能空間風速場の再構成
• Authors: Matteo Zambra, Nicolas Farrugia, Dorian Cazau, Alexandre Gensse, Ronan Fablet
• Abstract要約: 本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
• 参考スコア（独自算出の注目度）: 46.72819846541652
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wind speed at sea surface is a key quantity for a variety of scientific applications and human activities. Due to the non-linearity of the phenomenon, a complete description of such variable is made infeasible on both the small scale and large spatial extents. Methods relying on Data Assimilation techniques, despite being the state-of-the-art for Numerical Weather Prediction, can not provide the reconstructions with a spatial resolution that can compete with satellite imagery. In this work we propose a framework based on Variational Data Assimilation and Deep Learning concepts. This framework is applied to recover rich-in-time, high-resolution information on sea surface wind speed. We design our experiments using synthetic wind data and different sampling schemes for high-resolution and low-resolution versions of original data to emulate the real-world scenario of spatio-temporally heterogeneous observations. Extensive numerical experiments are performed to assess systematically the impact of low and high-resolution wind fields and in-situ observations on the model reconstruction performance. We show that in-situ observations with richer temporal resolution represent an added value in terms of the model reconstruction performance. We show how a multi-modal approach, that explicitly informs the model about the heterogeneity of the available observations, can improve the reconstruction task by exploiting the complementary information in spatial and local point-wise data. To conclude, we propose an analysis to test the robustness of the chosen framework against phase delay and amplitude biases in low-resolution data and against interruptions of in-situ observations supply at evaluation time
• Abstract（参考訳）: 海面での風速は、様々な科学的応用と人間の活動にとって重要な量である。 この現象の非線形性のため、そのような変数の完全な記述は、小さなスケールと大きな空間範囲の両方で実現できない。 データ同化技術に依存する手法は, 数値気象予測の最先端技術であるにもかかわらず, 衛星画像と競合する空間分解能は得られない。 本研究では,変動データ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。 我々は,高分解能かつ低分解能な原データに対して,合成風データと異なるサンプリングスキームを用いて実験を設計し,時空間不均質観測の現実シナリオをエミュレートした。 低分解能と高分解能の風の影響を体系的に評価し, モデル再構成性能に対するその場観察を行った。 より高次分解能のその場観察がモデル再構成性能の付加価値を示すことを示す。 本稿では,利用可能な観測の多様性をモデルに明示的に知らせるマルチモーダルアプローチにより,空間的および局所的視点データにおける補完的情報を活用し,復元作業を改善する方法を示す。 結論として,低分解能データにおける位相遅延と振幅バイアス,および評価時のその場観測供給の中断に対する選択されたフレームワークの堅牢性を評価するための分析法を提案する。

関連論文リスト

• Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
  移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。 従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。 本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T01:36:48Z)
• Super-Resolution works for coastal simulations [6.263499279406057]
  高解像度のシミュレーションは、特に津波や暴風雨による洪水を予測するために、多くのプロセスの理解を深めるために必要である。 本稿では,高分解能数値解を効率的に学習するための超解法拡張のためのDeep Networkを提案する。 提案手法は,最先端の手法と比較して,高精細度で高速な計算が可能である。
  論文  参考訳（メタデータ） (2024-08-29T14:16:13Z)
• FNP: Fourier Neural Processes for Arbitrary-Resolution Data Assimilation [58.149902193341816]
  本稿では, テクティット・テキストbfFourier Neural Processs (FNP) を用いて, テクティット・arbitrary- resolution データ同化法を提案する。 固定解像度でトレーニングしたFNPは, 微調整を伴わずに, 分布外分解能と観測情報再構成タスクとの同化を直接処理できる。
  論文  参考訳（メタデータ） (2024-06-03T12:24:24Z)
• 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)
• 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)
• Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks [11.139052252214917]
  この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。 実験により,提案手法は最近のINR法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-01-21T22:18:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
  公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。 これにより、植生の監視や人道的行動を支援する能力が損なわれる。 空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
  論文  参考訳（メタデータ） (2020-11-09T21:06:04Z)
• Spatio-Temporal Functional Neural Networks [11.73856529960872]
  本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。 提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
  論文  参考訳（メタデータ） (2020-09-11T21:32:35Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。