論文の概要: Reconstructing the Tropical Pacific Upper Ocean using Online Data Assimilation with a Deep Learning model

• arxiv url: http://arxiv.org/abs/2406.07063v1
• Date: Tue, 11 Jun 2024 08:45:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 16:44:39.098472
• Title: Reconstructing the Tropical Pacific Upper Ocean using Online Data Assimilation with a Deep Learning model
• Title（参考訳）: 深層学習モデルを用いたオンラインデータ同化による熱帯太平洋上洋の再構築
• Authors: Zilu Meng, Gregory J. Hakim,
• Abstract要約: 深層学習(DL)モデルは、気候モデルデータセットに基づいて訓練され、熱帯太平洋の線形逆モデル(LIM)と比較される。 DLモデルでは, 再解析データセットで検証した場合, LIMよりも精度の高い予測が得られた。 次に,24回の海面温度観測から,月平均上の海を再構築するためのアンサンブルカルマンフィルタの能力を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A deep learning (DL) model, based on a transformer architecture, is trained on a climate-model dataset and compared with a standard linear inverse model (LIM) in the tropical Pacific. We show that the DL model produces more accurate forecasts compared to the LIM when tested on a reanalysis dataset. We then assess the ability of an ensemble Kalman filter to reconstruct the monthly-averaged upper ocean from a noisy set of 24 sea-surface temperature observations designed to mimic existing coral proxy measurements, and compare results for the DL model and LIM. Due to signal damping in the DL model, we implement a novel inflation technique by adding noise from hindcast experiments. Results show that assimilating observations with the DL model yields better reconstructions than the LIM for observation averaging times ranging from one month to one year. The improved reconstruction is due to the enhanced predictive capabilities of the DL model, which map the memory of past observations to future assimilation times.
• Abstract（参考訳）: 変圧器アーキテクチャに基づくディープラーニング(DL)モデルは、気候モデルデータセットに基づいて訓練され、熱帯太平洋の標準線形逆モデル(LIM)と比較される。 DLモデルでは, 再解析データセットで検証した場合, LIMよりも精度の高い予測が得られた。 次に,既存のサンゴのプロキシ測定を模倣した24の海面温度観測結果から,月平均上洋を再構成するアンサンブルカルマンフィルタの有効性を評価し,DLモデルとLIMの結果を比較した。 DLモデルの信号減衰により,後流実験からノイズを付加することで,新しいインフレーション手法を実装した。 以上の結果から, DLモデルによる観察を同化することにより, 平均観測時間を1ヶ月から1年間に短縮できる可能性が示唆された。 改善された再構成は、過去の観測の記憶を将来の同化時間にマッピングするDLモデルの予測能力の向上によるものである。

関連論文リスト

• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• Can AI be enabled to dynamical downscaling? A Latent Diffusion Model to mimic km-scale COSMO5.0\_CLM9 simulations [0.0]
  ダウンスケーリング技術は、地球システムモデリングにおけるディープラーニング(DL)の最も顕著な応用の1つである。 本研究では,イタリア上空のERA5データを2kmまでダウンスケールするために,LDM(Latent Diffusion Model)を適用した。 我々のゴールは、最近の生成モデリングの進歩により、DLが数値力学モデルに匹敵する結果をもたらすことを実証することである。
  論文  参考訳（メタデータ） (2024-06-19T15:20:28Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• 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)
• DeepVARwT: Deep Learning for a VAR Model with Trend [1.9862987223379664]
  本稿では,トレンドと依存構造を最大限に推定するために,ディープラーニング手法を用いた新しい手法を提案する。 この目的のためにLong Short-Term Memory (LSTM) ネットワークが使用される。 シミュレーション研究と実データへの適用について述べる。
  論文  参考訳（メタデータ） (2022-09-21T18:23:03Z)
• Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model [4.903969235471705]
  深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
  論文  参考訳（メタデータ） (2021-10-09T06:26:42Z)
• 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)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Predicting heave and surge motions of a semi-submersible with neural networks [4.0097067208724955]
  半潜水艇のヒーブ動作とサージ動作を予測するために,LSTM(Long Short-term memory)に基づく機械学習モデルを開発した。 測定波の助けを借りて、予測は46.5秒を将来まで延長し、平均精度は90%近くになった。
  論文  参考訳（メタデータ） (2020-07-31T11:24:46Z)

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。