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
- 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) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に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) (2023-04-03T13:13:19Z) - 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) - Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。
物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。
その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
論文 参考訳(メタデータ) (2022-08-02T13:57:35Z) - A comparative study of various Deep Learning techniques for
spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent
flows [0.45935798913942893]
本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。
この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
論文 参考訳(メタデータ) (2021-07-07T17:16:55Z) - 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。