論文の概要: Multi-scale decomposition of sea surface height snapshots using machine learning
- arxiv url: http://arxiv.org/abs/2409.17354v1
- Date: Wed, 11 Sep 2024 20:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-30 11:54:29.039065
- Title: Multi-scale decomposition of sea surface height snapshots using machine learning
- Title(参考訳): 機械学習を用いた海面高度スナップショットのマルチスケール分解
- Authors: Jingwen Lyu, Yue Wang, Christian Pedersen, Spencer Jones, Dhruv Balwada,
- Abstract要約: 我々は、海面高度(SSH)を平衡運動と非平衡運動(BMとUBM)の寄与に分解する。
この分解は、SSHを前例のない空間分解能で測定する新しいSWOT衛星にとって特に重要である。
深層学習(DL)アプローチを用いたいくつかの研究は、この分解を画像から画像への変換タスクとして扱うことを約束しているが、これらのモデルは幅広い空間スケールでうまく機能しない。
ゼロ位相成分分析(ZCA)の白化とデータ拡張により,これらの課題に対処できることを示す。
- 参考スコア(独自算出の注目度): 2.8199464352308143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge of ocean circulation is important for understanding and predicting weather and climate, and managing the blue economy. This circulation can be estimated through Sea Surface Height (SSH) observations, but requires decomposing the SSH into contributions from balanced and unbalanced motions (BMs and UBMs). This decomposition is particularly pertinent for the novel SWOT satellite, which measures SSH at an unprecedented spatial resolution. Specifically, the requirement, and the goal of this work, is to decompose instantaneous SSH into BMs and UBMs. While a few studies using deep learning (DL) approaches have shown promise in framing this decomposition as an image-to-image translation task, these models struggle to work well across a wide range of spatial scales and require extensive training data, which is scarce in this domain. These challenges are not unique to our task, and pervade many problems requiring multi-scale fidelity. We show that these challenges can be addressed by using zero-phase component analysis (ZCA) whitening and data augmentation; making this a viable option for SSH decomposition across scales.
- Abstract(参考訳): 海洋循環の知識は、天候や気候を理解し、予測し、ブルーエコノミーを管理するために重要である。
この循環は海面高度(SSH)観測によって推定できるが、SSHを平衡運動(BM)と非平衡運動(UBM)の寄与に分解する必要がある。
この分解は、SSHを前例のない空間分解能で測定する新しいSWOT衛星にとって特に重要である。
具体的には、この作業の要件と目標は、即時的なSSHをBMとUBMに分解することである。
深層学習(DL)アプローチを用いたいくつかの研究では、この分解を画像から画像への変換タスクとして扱うことは約束されているが、これらのモデルは幅広い空間スケールでうまく機能し、この領域では不十分な広範なトレーニングデータを必要とすることに苦慮している。
これらの課題は我々のタスクに特有のものではなく、マルチスケールの忠実さを必要とする多くの問題に及んでいる。
これらの課題は、ゼロ位相成分分析(ZCA)の白化とデータ拡張によって解決できることを示し、スケールをまたいだSSH分解に有効な選択肢であることを示す。
関連論文リスト
- HSIGene: A Foundation Model For Hyperspectral Image Generation [46.745198868466545]
ハイパースペクトル画像(HSI)は農業や環境モニタリングなど様々な分野で重要な役割を果たしている。
高価な取得コストのため、ハイパースペクトル画像の数は制限され、下流タスクのパフォーマンスが低下する。
遅延拡散に基づく多条件制御をサポートする新しいHSI生成基盤モデルであるHSIGeneを提案する。
実験により,提案モデルでは,デノナイズや超解像といった下流タスクに対して,膨大な量の現実的なHSIを生成することができることが示された。
論文 参考訳(メタデータ) (2024-09-19T05:17:44Z) - HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
Hyper SIGMAは、HSI解釈のためのビジョントランスフォーマーベースの基礎モデルである。
特別に設計されたスペクトル拡張モジュールを使用して、空間的特徴とスペクトル的特徴を統合する。
スケーラビリティ、堅牢性、クロスモーダル転送能力、実世界の適用性において大きなメリットがある。
論文 参考訳(メタデータ) (2024-06-17T13:22:58Z) - Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations [0.0]
我々は、このデータに基づいてAttention-Based-Decoderディープラーニングネットワーク(textscabed)をトレーニングする。
SST情報の有無にかかわらず、教師付きまたは教師なしの損失関数を用いて、AbeD再建の評価を行った。
オーシャンデータチャレンジ2021の実際のSSH観測から、この学習戦略とSSTの併用により、OIと比較してルート平均2乗誤差が24%減少することがわかった。
論文 参考訳(メタデータ) (2023-10-11T16:09:09Z) - Towards Spatio-temporal Sea Surface Temperature Forecasting via Static
and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。
具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。
そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
論文 参考訳(メタデータ) (2023-04-12T14:35:38Z) - 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) - Unsupervised Spike Depth Estimation via Cross-modality Cross-domain Knowledge Transfer [53.413305467674434]
スパイク深度推定をサポートするためにオープンソースのRGBデータを導入し,そのアノテーションと空間情報を活用する。
教師なしスパイク深さ推定を実現するために,クロスモーダルクロスドメイン(BiCross)フレームワークを提案する。
提案手法は,RGB指向の教師なし深度推定法と比較して,最先端(SOTA)性能を実現する。
論文 参考訳(メタデータ) (2022-08-26T09:35:20Z) - Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face
Learning [54.13876727413492]
多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。
非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。
これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。
広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
論文 参考訳(メタデータ) (2021-05-10T04:57:32Z) - Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。
このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文 参考訳(メタデータ) (2021-03-02T03:32:10Z) - Hyperspectral Image Super-Resolution with Spectral Mixup and
Heterogeneous Datasets [99.92564298432387]
ハイパースペクトル画像(HSI)超解像(SR)の研究
HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。
これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
論文 参考訳(メタデータ) (2021-01-19T12:19:53Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳(メタデータ) (2020-07-10T08:08:20Z) - 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。