論文の概要: OceanCastNet: A Deep Learning Ocean Wave Model with Energy Conservation

• arxiv url: http://arxiv.org/abs/2406.03848v2
• Date: Sun, 9 Jun 2024 04:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-12 21:24:05.196505
• Title: OceanCastNet: A Deep Learning Ocean Wave Model with Energy Conservation
• Title（参考訳）: OceanCastNet:エネルギーを節約した深層学習型海洋波モデル
• Authors: Ziliang Zhang, Huaming Yu, Danqin Ren,
• Abstract要約: OceanCastNet (OCN) はエネルギーバランスの深いディープラーニングの予測モデルである。 OCNは、業界で広く使われているWaveWatch IIIモデルより一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional wave forecasting models, although based on energy conservation equations, are computationally expensive. On the other hand, existing deep learning geophysical fluid models, while computationally efficient, often suffer from issues such as energy dissipation in long-term forecasts. This paper proposes a novel energy-balanced deep learning wave forecasting model called OceanCastNet (OCN). By incorporating wind fields at the current, previous, and future time steps, as well as wave fields at the current and previous time steps as input variables, OCN maintains energy balance within the model. Furthermore, the model employs adaptive Fourier operators as its core components and designs a masked loss function to better handle the impact of land-sea boundaries. A series of experiments on the ERA5 dataset demonstrate that OCN can achieve short-term forecast accuracy comparable to traditional models while exhibiting an understanding of the wave generation process. In comparative experiments under both normal and extreme conditions, OCN consistently outperforms the widely used WaveWatch III model in the industry. Even after long-term forecasting, OCN maintains a stable and energy-rich state. By further constructing a simple meteorological model, OCN-wind, which considers energy balance, this paper confirms the importance of energy constraints for improving the long-term forecast performance of deep learning meteorological models. This finding provides new ideas for future research on deep learning geophysical fluid models.
• Abstract（参考訳）: 従来の波動予測モデルは、エネルギー保存方程式に基づくが、計算上は高価である。 一方、既存の深層学習の物理流体モデルでは、計算効率は高いが、長期的な予測ではエネルギー散逸などの問題に悩まされることが多い。 本論文では,OceanCastNet (OCN) と呼ばれる新しいエネルギーバランスの深いディープラーニング波予測モデルを提案する。 入力変数として、現在の、以前の、将来の時間ステップの風力場と、現在の、以前の時間ステップの波力場を組み込むことにより、OCNはモデル内のエネルギー収支を維持する。 さらに、このモデルでは、適応的なフーリエ演算子をコアコンポーネントとして使用し、陸域境界の影響をよりよく扱うためにマスク付き損失関数を設計する。 ERA5データセットの一連の実験により、OCNは波生成過程の理解を示しながら、従来のモデルに匹敵する短期予測精度を達成できることが示されている。 正常かつ極端な条件下での比較実験では、OCNは業界で広く使われているWaveWatch IIIモデルよりも一貫して優れている。 長期の予測の後でも、OCNは安定でエネルギー豊富な状態を維持している。 本稿では,エネルギー収支を考慮した簡易気象モデルOCN-windの構築により,ディープラーニング気象モデルの長期予測性能向上のためのエネルギー制約の重要性を確認する。 この発見は、深層学習の物理流体モデルの研究に新たなアイデアをもたらす。

関連論文リスト

• Neural ocean forecasting from sparse satellite-derived observations: a case-study for SSH dynamics and altimetry data [25.95895236084694]
  本稿では,衛星高度データに基づく海面変動の短期予測のためのエンドツーエンドの深層学習フレームワークを提案する。 我々のフレームワークはOceanBenchイニシアチブ内で開発され、海洋機械学習の標準化評価を促進する。
  論文  参考訳（メタデータ） (2025-12-15T11:28:03Z)
• Observation-driven correction of numerical weather prediction for marine winds [14.58447529631976]
  我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。 我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。 モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
  論文  参考訳（メタデータ） (2025-12-03T09:39:44Z)
• Forecasting Seismic Waveforms: A Deep Learning Approach for Einstein Telescope [46.4942794596355]
  我々は、アインシュタイン望遠鏡のような将来の重力波検出器の文脈において、3成分地震波形を予測する変圧器に基づくモデルであるtextitSeismoGPTを紹介した。 波形データから直接時間的および空間的依存関係を学習することにより、SeesmoGPTは現実的な地動パターンを捉え、正確な短期予測を提供する。
  論文  参考訳（メタデータ） (2025-09-25T19:16:13Z)
• Improving Significant Wave Height Prediction Using Chronos Models [3.5791500950915567]
  本研究は,波動予測に最適化された大規模言語モデル(LLM)を用いた時間的アーキテクチャ(Chronos)の最初の実装であるChronosを紹介する。 北西太平洋流域の3つの戦略的に選択された海洋域の歴史的波動データに高度時間パターン認識を適用した。
  論文  参考訳（メタデータ） (2025-04-23T15:56:28Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• 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)
• Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
  数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。 本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
  論文  参考訳（メタデータ） (2024-08-29T08:36:22Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。 GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。 その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• 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)
• Forecasting the Future with Future Technologies: Advancements in Large Meteorological Models [3.332582598089642]
  気象予報の分野は、大きなモデルの統合によって大きな変化を遂げた。 FourCastNet、Pangu-Weather、GraphCast、ClimaX、FengWuといったモデルは、正確で高精度な予測を提供することで、顕著な貢献をしている。
  論文  参考訳（メタデータ） (2024-04-10T00:52:54Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• OceanNet: A principled neural operator-based digital twin for regional oceans [0.0]
  本研究は、海洋循環のための原理的ニューラルオペレーターベースのデジタルツインであるOceanNetを紹介する。 オーシャンネットは北西大西洋西部境界流(ガルフストリーム)に適用される
  論文  参考訳（メタデータ） (2023-10-01T23:06:17Z)
• Dynamical Tests of a Deep-Learning Weather Prediction Model [0.0]
  ディープラーニングの天気予報モデルは、運用センターで実行される物理ベースのモデルに匹敵する予測を生成することが示されている。 これらのモデルが大気力学を符号化したのか、あるいは最小の予測誤差を生成する単純なパターンマッチングなのかは不明だ。 ここでは、モデルトレーニングデータに似ていない4つの古典力学実験の集合に、そのようなモデルPangu-weatherを適用する。 本モデルは,すべての実験において現実的な物理を符号化し,高額な物理モデルを使用する前に,アイデアを迅速にテストするためのツールとして使用できることを示唆する。
  論文  参考訳（メタデータ） (2023-09-19T18:26:41Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• 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)
• Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks [8.086653045816151]
  現在の運用予測モデルは物理に基づいており、大気をシミュレートするためにスーパーコンピュータを使用している。 ニューラルネットワークに基づく新しい気象モデルのクラスは、天気予報のパラダイムシフトを表している。 最大12時間前に降水予測が可能なニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-14T22:53:04Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。