論文の概要: LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting
- arxiv url: http://arxiv.org/abs/2412.18097v2
- Date: Wed, 25 Dec 2024 06:28:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 10:58:30.322678
- Title: LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting
- Title(参考訳): LangYa: 時空間海洋予測の革命
- Authors: Nan Yang, Chong Wang, Meihua Zhao, Zimeng Zhao, Huiling Zheng, Bin Zhang, Jianing Wang, Xiaofeng Li,
- Abstract要約: 海洋予報システムであるLangYaを紹介した。
結果は、LangYaが1日から7日間のリードタイムで1つのモデルで予測できることを示した。
既存の数値およびAIベースの海洋予測システムと比較して、LangYaはGlobal Ocean Reanalysis and Simulationバージョン12から27年間の地球海洋データを使用している。
- 参考スコア(独自算出の注目度): 17.125674052741928
- License:
- Abstract: Ocean forecasting is crucial for both scientific research and societal benefits. Currently, the most accurate forecasting systems are global ocean forecasting systems (GOFSs), which represent the ocean state variables (OSVs) as discrete grids and solve partial differential equations (PDEs) governing the transitions of oceanic state variables using numerical methods. However, GOFSs processes are computationally expensive and prone to cumulative errors. Recently, large artificial intelligence (AI)-based models significantly boosted forecasting speed and accuracy. Unfortunately, building a large AI ocean forecasting system that can be considered cross-spatiotemporal and air-sea coupled forecasts remains a significant challenge. Here, we introduce LangYa, a cross-spatiotemporal and air-sea coupled ocean forecasting system. Results demonstrate that the time embedding module in LangYa enables a single model to make forecasts with lead times ranging from 1 to 7 days. The air-sea coupled module effectively simulates air-sea interactions. The ocean self-attention module improves network stability and accelerates convergence during training, and the adaptive thermocline loss function improves the accuracy of thermocline forecasting. Compared to existing numerical and AI-based ocean forecasting systems, LangYa uses 27 years of global ocean data from the Global Ocean Reanalysis and Simulation version 12 (GLORYS12) for training and achieves more reliable deterministic forecasting results for OSVs. LangYa forecasting system provides global ocean researchers with access to a powerful software tool for accurate ocean forecasting and opens a new paradigm for ocean science.
- Abstract(参考訳): 海洋予測は科学研究と社会的利益の両方に不可欠である。
現在、最も正確な予測システムは、海洋状態変数(OSV)を離散格子として表現し、数値手法を用いて海洋状態変数の遷移を管理する偏微分方程式(PDE)を解く大洋予測システム(GOFS)である。
しかし、GOFSsプロセスは計算コストが高く、累積誤差が生じる傾向にある。
近年、AIベースの大規模モデルは予測速度と精度を大幅に向上させた。
残念なことに、時空間と空気とを結合した大規模なAI海洋予測システムの構築は、依然として大きな課題である。
ここでは,時空間および大気圏を結合した海洋予報システムであるLangYaを紹介する。
結果、LangYaにタイム埋め込みモジュールを組み込むことで、1日から7日間のリードタイムで予測できることがわかった。
エアシー結合モジュールは、エアシー相互作用を効果的にシミュレートする。
海洋自己保持モジュールは、ネットワーク安定性を改善し、トレーニング中の収束を加速し、適応型サーモクリン損失関数はサーモクリン予測の精度を向上させる。
既存の数値およびAIベースの海洋予測システムと比較して、LangYaは、Global Ocean Reanalysis and Simulation Version 12 (GLORYS12)から27年間の地球海洋データをトレーニングに使用し、OSVのより信頼性の高い決定論的予測結果を達成する。
LangYaの予測システムは、世界中の海洋研究者に、正確な海洋予測のための強力なソフトウェアツールへのアクセスを提供し、海洋科学の新しいパラダイムを開放する。
関連論文リスト
- OneForecast: A Universal Framework for Global and Regional Weather Forecasting [44.203835175341]
本稿では,グラフニューラルネットワーク(GNN)に基づくグローバル地域別ネスト気象予報フレームワークを提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで、マルチスケールグラフ構造を構築し、ターゲット領域を密度化し、局所的な高周波特性を捉える。
高分解能な地域予測のために,境界情報損失を軽減するニューラルネットワークネストグリッド法を提案する。
論文 参考訳(メタデータ) (2025-02-01T06:49:16Z) - ORCAst: Operational High-Resolution Current Forecasts [36.614535202321235]
ORCAstは、オペレーショナル・ハイ・リゾリューション・カレントのためのマルチステージマルチアームネットワークである。
本モデルでは, 様々な地中真実観測源を用いて, 地球表面の海流の予測を学習する。
論文 参考訳(メタデータ) (2025-01-21T11:26:02Z) - Advancing Marine Heatwave Forecasts: An Integrated Deep Learning Approach [3.8713566366330325]
極端気候現象熱波(MHW)は海洋生態系や産業に重大な課題をもたらす。
本研究では,世界規模での短期的・長期的MHW予測のための統合型ディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2024-11-19T06:11:52Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3~6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳(メタデータ) (2024-11-15T13:44:37Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - OceanNet: A principled neural operator-based digital twin for regional oceans [0.0]
本研究は、海洋循環のための原理的ニューラルオペレーターベースのデジタルツインであるOceanNetを紹介する。
オーシャンネットは北西大西洋西部境界流(ガルフストリーム)に適用される
論文 参考訳(メタデータ) (2023-10-01T23:06:17Z) - 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) - 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)
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。