論文の概要: Machine learned reconstruction of tsunami dynamics from sparse observations
- arxiv url: http://arxiv.org/abs/2411.12948v1
- Date: Wed, 20 Nov 2024 00:42:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-21 16:11:44.855029
- Title: Machine learned reconstruction of tsunami dynamics from sparse observations
- Title（参考訳）: スパース観測による津波力学の機械的再構築
- Authors: Edward McDugald, Arvind Mohan, Darren Engwirda, Agnese Marcato, Javier Santos,
- Abstract要約: 本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。
我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。
その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We investigate the use of the Senseiver, a transformer neural network designed for sparse sensing applications, to estimate full-field surface height measurements of tsunami waves from sparse observations. The model is trained on a large ensemble of simulated data generated via a shallow water equations solver, which we show to be a faithful reproduction for the underlying dynamics by comparison to historical events. We train the model on a dataset consisting of 8 tsunami simulations whose epicenters correspond to historical USGS earthquake records, and where the model inputs are restricted to measurements obtained at actively deployed buoy locations. We test the Senseiver on a dataset consisting of 8 simulations not included in training, demonstrating its capability for extrapolation. The results show remarkable resolution of fine scale phase and amplitude features from the true field, provided that at least a few of the sensors have obtained a non-zero signal. Throughout, we discuss which forecasting techniques can be improved by this method, and suggest ways in which the flexibility of the architecture can be leveraged to incorporate arbitrary remote sensing data (eg. HF Radar and satellite measurements) as well as investigate optimal sensor placements.
- Abstract（参考訳）: 本研究では,スパースセンシングのためのトランスフォーマーニューラルネットワークであるSenseiverを用いて,スパース観測から津波波のフルフィールド表面高さ測定を行った。
このモデルは浅水方程式解法を用いて生成されたシミュレーションデータの大規模なアンサンブルに基づいて訓練され、歴史的事象と比較して基礎となる力学の忠実な再現であることを示す。
本研究では, 過去のUSGS地震記録に対応する震源域が8つある津波シミュレーションを用いて, モデル入力を, 活発に展開されたブイ地点で得られた測定値に限定したデータセット上で訓練する。
我々は、トレーニングに含まれない8つのシミュレーションからなるデータセット上で、Senseiverをテストし、その外挿能力を実証した。
その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
本手法によりどの予測手法を改良できるかを議論し、アーキテクチャの柔軟性を活用して任意のリモートセンシングデータ(HFレーダや衛星計測など)を組み込んだり、最適なセンサ配置を調査する方法を提案する。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - 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) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - SimuShips -- A High Resolution Simulation Dataset for Ship Detection
with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム
SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文 参考訳（メタデータ） (2022-09-22T07:33:31Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Model discovery in the sparse sampling regime [0.0]
深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。
その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。
我々は合成集合と実験集合の両方について主張する。
論文 参考訳（メタデータ） (2021-05-02T06:27:05Z) - There and Back Again: Learning to Simulate Radar Data for Real-World
Applications [21.995474023869388]
我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。
我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。
実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2020-11-29T15:49:23Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2020-06-15T23:00:08Z) - Breaking the Limits of Remote Sensing by Simulation and Deep Learning
for Flood and Debris Flow Mapping [13.167695669500391]
リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。
水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。
このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
論文 参考訳（メタデータ） (2020-06-09T10:59:15Z)
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。