論文の概要: Generative Diffusion Model-based Downscaling of Observed Sea Surface Height over Kuroshio Extension since 2000
- arxiv url: http://arxiv.org/abs/2408.12632v1
- Date: Thu, 22 Aug 2024 13:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 16:59:27.310823
- Title: Generative Diffusion Model-based Downscaling of Observed Sea Surface Height over Kuroshio Extension since 2000
- Title（参考訳）: 黒潮拡張による2000年以降の観測海面高さの拡散モデルによるダウンスケーリング
- Authors: Qiuchang Han, Xingliang Jiang, Yang Zhao, Xudong Wang, Zhijin Li, Renhe Zhang,
- Abstract要約: 本研究では,高分解能海面高度解析データをトレーニングするための最先端な生成拡散モデルを提案する。
このモデルは、約12kmの波長に対応する0.25oの解像度から1/16oまでの生衛星補間データを効果的にダウンスケールする。
以上の結果から,2004年以降の黒潮拡張地域では,250km未満の水平スケールでの渦運動エネルギーが著しく増加したことが示唆された。
- 参考スコア（独自算出の注目度）: 11.444439142505756
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Satellite altimetry has been widely utilized to monitor global sea surface dynamics, enabling investigation of upper ocean variability from basin-scale to localized eddy ranges. However, the sparse spatial resolution of observational altimetry limits our understanding of oceanic submesoscale variability, prevalent at horizontal scales below 0.25o resolution. Here, we introduce a state-of-the-art generative diffusion model to train high-resolution sea surface height (SSH) reanalysis data and demonstrate its advantage in observational SSH downscaling over the eddy-rich Kuroshio Extension region. The diffusion-based model effectively downscales raw satellite-interpolated data from 0.25o resolution to 1/16o, corresponding to approximately 12-km wavelength. This model outperforms other high-resolution reanalysis datasets and neural network-based methods. Also, it successfully reproduces the spatial patterns and power spectra of satellite along-track observations. Our diffusion-based results indicate that eddy kinetic energy at horizontal scales less than 250 km has intensified significantly since 2004 in the Kuroshio Extension region. These findings underscore the great potential of deep learning in reconstructing satellite altimetry and enhancing our understanding of ocean dynamics at eddy scales.
- Abstract（参考訳）: 衛星高度計は地球規模の海面変動を観測するために広く利用されており、盆地スケールから局地的な海面変動の観測を可能にしている。
しかし、観測高度計の空間分解能は、0.25o以下の水平スケールで発生する海洋のサブメソスケール変動の理解を制限している。
そこで本研究では,高分解能海面高度(SSH)再解析データをトレーニングするための最先端な生成拡散モデルを導入し,その優位性を示す。
拡散モデルでは、約12kmの波長に対応する0.25oの分解能から1/16oまでの生衛星補間データを効果的にダウンスケールする。
このモデルは、他の高分解能リアナリシスデータセットやニューラルネットワークベースの手法よりも優れている。
また、衛星の軌道観測における空間パターンとパワースペクトルを再現することに成功した。
その結果,2004年以降の黒潮拡張地域では,250km未満の水平スケールでの渦運動エネルギーが著しく増加したことが示唆された。
これらの知見は、衛星高度計の再構築における深層学習の可能性と、海流スケールでの海洋力学の理解の向上を裏付けるものである。
関連論文リスト
- OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。
1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
論文 参考訳（メタデータ） (2024-05-12T09:32:40Z) - 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) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
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。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Multi-decadal Sea Level Prediction using Neural Networks and Spectral
Clustering on Climate Model Large Ensembles and Satellite Altimeter Data [0.0]
本稿では,この長期海水準予測の挑戦的応用における機械学習(ML)の可能性を示す。
我々は,海面トレンドを予測できる完全連結ニューラルネットワーク(FCNN)を用いた教師あり学習フレームワークを開発した。
また、空間データセットを分割し、各セグメント領域に専用のMLモデルを学習する効果を示す。
論文 参考訳（メタデータ） (2023-10-06T19:06:43Z) - Training neural mapping schemes for satellite altimetry with simulation
data [6.591483977714996]
深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。
リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。
本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
論文 参考訳（メタデータ） (2023-09-19T14:32:25Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - 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) - Scale-aware neural calibration for wide swath altimetry observations [0.0]
海面高度 (SSH) はメソスケールの海面力学を観測・研究するための重要な物理パラメータである。
数十年間、SSH製品の地域規模と世界規模でのマッピングは、ナディル衛星高度計に依存してきた。
表面水と海洋地形(SWOT)ミッションは、SSHの広視野2次元観測を初めて取得する新しいセンサーを配備する。
論文 参考訳（メタデータ） (2023-02-09T08:46:40Z) - Inversion of sea surface currents from satellite-derived SST-SSH
synergies with 4DVarNets [32.84891435899833]
老化のダイナミクスは,100km以下の水平スケールと10日以下の時間スケールにおいて重要であることが期待される。
ここでは、観測された海面トレーサ間の相乗効果をよりよく活用するための学習に基づくスキームについて検討する。
具体的には、4DVarNetスキームを開発し、トレーニング可能な観測値と変分データ同化の定式化を利用する。
論文 参考訳（メタデータ） (2022-11-23T15:53:54Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳（メタデータ） (2021-06-24T17:29:42Z) - Filtering Internal Tides From Wide-Swath Altimeter Data Using
Convolutional Neural Networks [9.541153192112194]
本稿では畳み込みニューラルネットワーク(ConvNets)を用いて、内潮信号のないフィールドを推定する。
また,海面温度(SST)などの他の海面変数からの追加データについても検討した。
論文 参考訳（メタデータ） (2020-05-03T14:02:31Z)
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。