論文の概要: Global Estimation of Subsurface Eddy Kinetic Energy of Mesoscale Eddies Using a Multiple-input Residual Neural Network

• arxiv url: http://arxiv.org/abs/2412.10656v1
• Date: Sat, 14 Dec 2024 02:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:46.740436
• Title: Global Estimation of Subsurface Eddy Kinetic Energy of Mesoscale Eddies Using a Multiple-input Residual Neural Network
• Title（参考訳）: マルチインプット残差ニューラルネットワークを用いたメソスケール渦の地下渦運動エネルギーのグローバル推定
• Authors: Chenyue Xie, An-Kang Gao, Xiyun Lu,
• Abstract要約: 海洋渦運動エネルギー (EKE) はメソスケール渦の強度を測定する重要な量である。 30年間の衛星高度観測により、海面情報のグローバルな評価が可能となった。 空間フィルタを用いた地下EKEは, 地下観測データの疎度のため, 体系的に研究されていない。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Oceanic eddy kinetic energy (EKE) is a key quantity for measuring the intensity of mesoscale eddies and for parameterizing eddy effects in ocean climate models. Three decades of satellite altimetry observations allow a global assessment of sea surface information. However, the subsurface EKE with spatial filter has not been systematically studied due to the sparseness of subsurface observational data. The subsurface EKE can be inferred both theoretically and numerically from sea surface observations but is limited by the issue of decreasing correlation with sea surface variables as depth increases. In this work, inspired by the Taylor-series expansion of subsurface EKE, a multiple-input neural network approach is proposed to reconstruct the subsurface monthly mean EKE from sea surface variables and subsurface climatological variables (e.g., horizontal filtered velocity gradients). Four neural networks are trained on a high-resolution global ocean reanalysis dataset, namely, surface-input fully connected neural network model (FCNN), surface-input Residual neural network model (ResNet), multiple-input fully connected neural network model (MI-FCNN), and multiple-input residual neural network model (MI-ResNet). The proposed MI-FCNN and MI-ResNet models integrate the surface input variables and the vertical profiles of subsurface variables. The MI-ResNet model outperforms the FCNN, ResNet, and MI-FCNN models, and traditional physics-based models in both regional and global reconstruction of subsurface EKE in the upper 2000 m. In addition, the MI-ResNet model performs well for both regional and global observational data based on transfer learning. These findings reveal the potential of the MI-ResNet model for efficient and accurate reconstruction of subsurface oceanic variables.
• Abstract（参考訳）: 海洋渦運動エネルギー (EKE) は、メソスケール渦の強度を測定し、海洋気候モデルにおける渦効果をパラメータ化するための重要な量である。 30年間の衛星高度観測により、海面情報のグローバルな評価が可能となった。 しかし, 地中観測データの粗さから, 空間フィルタを用いた地下EKEは体系的に研究されていない。 地下のEKEは、海面観測から理論的にも数値的にも推測できるが、深度が増加するにつれて海面変数との相関が減少する問題によって制限される。 本研究は,表層EKEのテイラーシリーズ展開に触発されて,海面変数と表層気候変数(水平フィルタ速度勾配など)から月平均EKEを再構成する多入力ニューラルネットワーク手法を提案する。 4つのニューラルネットワークは、表面入力完全連結ニューラルネットワークモデル(FCNN)、表面入力完全連結ニューラルネットワークモデル(ResNet)、多重入力完全連結ニューラルネットワークモデル(MI-FCNN)、多重入力残留ニューラルネットワークモデル(MI-ResNet)という、高解像度な大洋再解析データセットに基づいてトレーニングされる。 提案したMI-FCNNおよびMI-ResNetモデルは,表面入力変数と地下変数の垂直プロファイルを統合する。 MI-ResNetモデルは、FCNN、ResNet、MI-FCNNモデルよりも優れており、2000m上における地下EKEの地域的および世界的再構築において伝統的な物理モデルよりも優れている。 さらに、MI-ResNetモデルは、転送学習に基づく地域およびグローバルな観測データに対して良好に機能する。 これらの結果から,MI-ResNetモデルの有効性が明らかとなった。

関連論文リスト

• SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features [17.457540767016223]
  現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。 本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-サーフェスグラフニューラルネットワーク(SurfGNN)を提案する。 SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理する。
  論文  参考訳（メタデータ） (2024-11-05T08:39:53Z)
• Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
  陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。 観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。 我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、過去の流れの測定を用いて検証する。
  論文  参考訳（メタデータ） (2024-04-22T14:21:37Z)
• Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
  本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。 そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。 提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
  論文  参考訳（メタデータ） (2024-04-11T19:13:38Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• KNN, An Underestimated Model for Regional Rainfall Forecasting [6.421670116083633]
  本稿では,様々な機械学習アルゴリズムを適用した統合ツールの設計を目的とする。 Deep Neural Network, Wide Neural Network, Deep and Wide Neural Network, Reservoir Computing, Long Short Term Memory, Support Vector Machine, K-Nearest Neighborは、ニューヨーク州アップステートの異なる漁獲地における地域降水量の予測を行う。
  論文  参考訳（メタデータ） (2021-03-28T22:25:29Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• 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。