論文の概要: Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator

• arxiv url: http://arxiv.org/abs/2411.11348v1
• Date: Mon, 18 Nov 2024 07:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:28.943340
• Title: Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator
• Title（参考訳）: 局所フーリエニューラル演算子を用いた多変量高分解能3次元都市微小気候のモデル化
• Authors: Shaoxiang Qin, Dongxue Zhan, Dingyang Geng, Wenhui Peng, Geng Tian, Yurong Shi, Naiping Gao, Xue Liu, Liangzhu Leon Wang,
• Abstract要約: 従来の計算流体力学シミュレーションでは、速度と温度が計算に高価である。 最近の機械学習の進歩は、都市部の微小気候シミュレーションを加速するための有望な代替手段を提供する。 そこで我々は,局所学習,幾何符号化,パッチオーバーラップを用いた局所フーリエニューラル演算子(Local-FNO)モデルを提案する。 CFDソルバの50倍近い速度で、単一の32GB GPU上で、1億5000万のフィーチャディメンションを持つ高解像度の予測を提供する。
• 参考スコア（独自算出の注目度）: 2.148526586778159
• License:
• Abstract: Accurate urban microclimate analysis with wind velocity and temperature is vital for energy-efficient urban planning, supporting carbon reduction, enhancing public health and comfort, and advancing the low-altitude economy. However, traditional computational fluid dynamics (CFD) simulations that couple velocity and temperature are computationally expensive. Recent machine learning advancements offer promising alternatives for accelerating urban microclimate simulations. The Fourier neural operator (FNO) has shown efficiency and accuracy in predicting single-variable velocity magnitudes in urban wind fields. Yet, for multivariable high-resolution 3D urban microclimate prediction, FNO faces three key limitations: blurry output quality, high GPU memory demand, and substantial data requirements. To address these issues, we propose a novel localized Fourier neural operator (Local-FNO) model that employs local training, geometry encoding, and patch overlapping. Local-FNO provides accurate predictions for rapidly changing turbulence in urban microclimate over 60 seconds, four times the average turbulence integral time scale, with an average error of 0.35 m/s in velocity and 0.30 {\deg}C in temperature. It also accurately captures turbulent heat flux represented by the velocity-temperature correlation. In a 2 km by 2 km domain, Local-FNO resolves turbulence patterns down to a 10 m resolution. It provides high-resolution predictions with 150 million feature dimensions on a single 32 GB GPU at nearly 50 times the speed of a CFD solver. Compared to FNO, Local-FNO achieves a 23.9% reduction in prediction error and a 47.3% improvement in turbulent fluctuation correlation.
• Abstract（参考訳）: 風速と気温による正確な都市微気候分析は、エネルギー効率の高い都市計画、炭素削減のサポート、公衆衛生と快適性の向上、低高度経済の進展に不可欠である。 しかし、従来の計算流体力学(CFD)シミュレーションでは、速度と温度が計算に高価である。 最近の機械学習の進歩は、都市部の微小気候シミュレーションを加速するための有望な代替手段を提供する。 フーリエ・ニューラル・オペレーター (FNO) は、都市風洞における単変速の予測の効率と精度を示した。 しかし、多変数の高解像度の3D都市マイクロ気候予測では、FNOはぼやけた出力品質、高いGPUメモリ要求、かなりのデータ要求という3つの重要な制限に直面している。 これらの問題に対処するために,局所学習,幾何符号化,パッチ重なり合うパッチを用いた新しい局所フーリエニューラル演算子 (Local-FNO) モデルを提案する。 局所FNOは、都市部の微小気候における乱流を60秒以上、平均乱流積分時間スケールの4倍、平均速度0.35 m/s、温度0.30 {\deg}Cで急速に変化させる正確な予測を提供する。 また、速度-温度相関で表される乱流熱流束を正確に捕捉する。 2km×2kmの領域では、局所FNOは乱流のパターンを10mまで分解する。 CFDソルバの50倍近い速度で、単一の32GB GPU上で、1億5000万のフィーチャディメンションを持つ高解像度の予測を提供する。 FNOと比較して、Local-FNOは予測誤差を23.9%削減し、乱流変動相関を47.3%改善した。

関連論文リスト

• GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
  海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
  論文  参考訳（メタデータ） (2024-10-26T08:10:32Z)
• 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)
• Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
  大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。 大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。 本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-20T17:33:20Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Fourier neural operator for real-time simulation of 3D dynamic urban microclimate [2.1680962744993657]
  実時間3次元都市風洞シミュレーションにフーリエニューラル演算子(FNO)ネットワークを適用した。 数値実験により、FNOモデルが瞬時空間速度場を正確に再構成できることが示されている。 さらに,風向の異なる未確認データに基づくFNOモデルの評価を行い,FNOモデルが風向の異なるデータに対して良好に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-08T02:03:47Z)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Statistical treatment of convolutional neural network super-resolution of inland surface wind for subgrid-scale variability quantification [13.209152157749534]
  本研究では, 畳み込みニューラルネットワーク(CNN)による風速データのダウンスケール化について検討した。 各ダウンスケーリング係数,すなわち8x,16x,32xの中で,風速の予測を行うモデルを考える。 全てのCNN予測は、古典的予測よりも優れた古典的予測を1つのサンプル外データで実行した。
  論文  参考訳（メタデータ） (2022-11-30T03:11:43Z)
• 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)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。