論文の概要: DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for
Accurate and Continuous Weather Modeling
- arxiv url: http://arxiv.org/abs/2401.04125v1
- Date: Thu, 4 Jan 2024 05:05:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 09:07:34.661783
- Title: DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for
Accurate and Continuous Weather Modeling
- Title（参考訳）: DeepPhysiNet: 正確な気象モデリングのための深層学習と大気物理
- Authors: Wenyuan Li, Zili Liu, Keyan Chen, Hao Chen, Shunlin Liang, Zhengxia
Zou and Zhenwei Shi
- Abstract要約: 天気予報には、数値気象予報(WP)とディープラーニング予測(DLP)の2つのパラダイムがある。
WPは気象モデリングに大気物理学を利用するが、データ利用の低さと計算コストに悩まされている。
DLPは大量のデータから直接気象パターンを学習できるが、物理法則を組み込むのに苦労している。
我々はDeepPhysiNetフレームワークを導入し、物理法則をディープラーニングモデルに組み込んで、正確かつ連続的な気象システムモデリングを行う。
- 参考スコア（独自算出の注目度）: 24.848981502799244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate weather forecasting holds significant importance to human
activities. Currently, there are two paradigms for weather forecasting:
Numerical Weather Prediction (NWP) and Deep Learning-based Prediction (DLP).
NWP utilizes atmospheric physics for weather modeling but suffers from poor
data utilization and high computational costs, while DLP can learn weather
patterns from vast amounts of data directly but struggles to incorporate
physical laws. Both paradigms possess their respective strengths and
weaknesses, and are incompatible, because physical laws adopted in NWP describe
the relationship between coordinates and meteorological variables, while DLP
directly learns the relationships between meteorological variables without
consideration of coordinates. To address these problems, we introduce the
DeepPhysiNet framework, incorporating physical laws into deep learning models
for accurate and continuous weather system modeling. First, we construct
physics networks based on multilayer perceptrons (MLPs) for individual
meteorological variable, such as temperature, pressure, and wind speed. Physics
networks establish relationships between variables and coordinates by taking
coordinates as input and producing variable values as output. The physical laws
in the form of Partial Differential Equations (PDEs) can be incorporated as a
part of loss function. Next, we construct hyper-networks based on deep learning
methods to directly learn weather patterns from a large amount of
meteorological data. The output of hyper-networks constitutes a part of the
weights for the physics networks. Experimental results demonstrate that, upon
successful integration of physical laws, DeepPhysiNet can accomplish multiple
tasks simultaneously, not only enhancing forecast accuracy but also obtaining
continuous spatiotemporal resolution results, which is unattainable by either
the NWP or DLP.
- Abstract（参考訳）: 正確な天気予報は人間の活動に重要な意味を持つ。
現在、天気予報には数値気象予報(NWP)とディープラーニングに基づく予測(DLP)の2つのパラダイムがある。
NWPは気象モデリングに大気物理学を利用するが、データ利用の低さと高い計算コストに悩まされ、DLPは大量のデータから直接気象パターンを学習するが、物理法則を組み込むのに苦労する。
どちらのパラダイムもそれぞれの強みと弱みを持ち、nwpで採用された物理法則は座標と気象変数の関係を記述するが、dlpは座標を考慮せずに気象変数間の関係を直接学習する。
これらの問題に対処するために,我々は深層気象システムモデリングのための物理法則をディープラーニングモデルに組み込むdeepphysinetフレームワークを紹介する。
まず, 温度, 圧力, 風速などの個々の気象変動に対する多層パーセプトロン(MLP)に基づく物理ネットワークを構築した。
物理ネットワークは、座標を入力とし、変数値を出力として生成することで、変数と座標の関係を確立する。
偏微分方程式(pdes)の形式における物理法則は損失関数の一部として組み込むことができる。
次に,気象データから気象パターンを直接学習する深層学習手法に基づくハイパーネットワークを構築した。
ハイパーネットワークの出力は、物理ネットワークの重みの一部を構成する。
実験の結果,DeepPhysiNetは物理法則をうまく統合することで,予測精度を向上するだけでなく,NWPでもDLPでも達成不可能な連続時空間分解結果を得ることができることがわかった。
関連論文リスト
- Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。
合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。
365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
論文 参考訳（メタデータ） (2024-07-19T08:59:00Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。
ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。
提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
論文 参考訳（メタデータ） (2024-04-15T06:38:21Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳（メタデータ） (2021-11-23T18:57:11Z) - ST-PCNN: Spatio-Temporal Physics-Coupled Neural Networks for Dynamics
Forecasting [15.265694039283106]
本稿では,システムの物理を規定するパラメータを学習する物理結合型ニューラルネットワークモデルを提案する。
3つの目標を達成するために,時空間物理結合ニューラルネットワーク(ST-PCNN)モデルを提案する。
ST-PCNNが既存の物理インフォームドモデルより優れていることを検証する。
論文 参考訳（メタデータ） (2021-08-12T19:34:00Z)
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。