論文の概要: Simultaneous emulation and downscaling with physically-consistent deep learning-based regional ocean emulators
- arxiv url: http://arxiv.org/abs/2501.05058v1
- Date: Thu, 09 Jan 2025 08:28:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 13:59:43.340834
- Title: Simultaneous emulation and downscaling with physically-consistent deep learning-based regional ocean emulators
- Title(参考訳): 物理的に一貫性のある深層学習型海洋エミュレータによる同時エミュレーションとダウンスケーリング
- Authors: Leonard Lupin-Jimenez, Moein Darman, Subhashis Hazarika, Tianning Wu, Michael Gray, Ruyoing He, Anthony Wong, Ashesh Chattopadhyay,
- Abstract要約: 本稿では,メキシコ湾の高解像度海域に着目したAIを用いた海洋エミュレーション・ダウンスケーリングフレームワークを提案する。
このフレームワークは、短期的なスキルと、平均と可変性の観点からの正確な長期統計の両方を示している。
- 参考スコア(独自算出の注目度): 2.369898950737752
- License:
- Abstract: Building on top of the success in AI-based atmospheric emulation, we propose an AI-based ocean emulation and downscaling framework focusing on the high-resolution regional ocean over Gulf of Mexico. Regional ocean emulation presents unique challenges owing to the complex bathymetry and lateral boundary conditions as well as from fundamental biases in deep learning-based frameworks, such as instability and hallucinations. In this paper, we develop a deep learning-based framework to autoregressively integrate ocean-surface variables over the Gulf of Mexico at $8$ Km spatial resolution without unphysical drifts over decadal time scales and simulataneously downscale and bias-correct it to $4$ Km resolution using a physics-constrained generative model. The framework shows both short-term skills as well as accurate long-term statistics in terms of mean and variability.
- Abstract(参考訳): AIベースの大気エミュレーションの成功に基づいて、メキシコ湾の高解像度海域に焦点を当てたAIベースの海洋エミュレーションおよびダウンスケーリングフレームワークを提案する。
地域海洋エミュレーションは、複雑な水温測定や境界境界条件、不安定性や幻覚といったディープラーニングベースのフレームワークの基本的なバイアスなど、固有の課題を呈している。
本稿では,メキシコ湾の海面変数を,非物理的ドリフトのない空間分解能8ドルKmで自己回帰的に統合するディープラーニングベースのフレームワークを開発し,物理制約付き生成モデルを用いて,同時にダウンスケールとバイアス補正を行い,それを4ドルKmまで補正する。
このフレームワークは、短期的なスキルと、平均と変動性の観点からの正確な長期統計の両方を示している。
関連論文リスト
- A Neural Operator-Based Emulator for Regional Shallow Water Dynamics [5.09419041446345]
沿岸部は特に海面上昇や極端な気象現象の影響を受けやすい。
これらの地域の流体力学過程の正確なリアルタイム予測は、インフラ計画と気候適応に不可欠である。
本稿では,高次元数値解法を効率よく近似するために次元還元を用いた自己回帰型ニューラルエミュレータを提案する。
論文 参考訳(メタデータ) (2025-02-20T18:02:44Z) - Learning to generate physical ocean states: Towards hybrid climate modeling [1.5845117761091052]
オーシャン・ジェネラル・サーキュレーション・モデル (Ocean General Circulation Models) は、平衡状態に達するためには広範な計算資源を必要とする。
ディープラーニングエミュレータは、高速な予測を提供するが、気候科学者に必要な物理的解釈可能性や長期的な安定性は欠如している。
我々は、深部生成モデルを利用して物理的に一貫した海洋状態を生成することにより、両方の世界から最善を尽くすことを提案する。
論文 参考訳(メタデータ) (2025-02-04T17:14:41Z) - Samudra: An AI Global Ocean Emulator for Climate [27.24070831177446]
我々は、最先端の気候モデルにおける海洋成分のグローバルエミュレータを構築した。
マルチディープスレベルの海洋データに基づいてトレーニングされた改良型ConvNeXt UNetアーキテクチャを使用する。
海洋エミュレータ - Samudra は, 海洋変数の深さ構造と年次変動を再現できることを示す。
論文 参考訳(メタデータ) (2024-12-05T01:25:34Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - 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) - Training neural mapping schemes for satellite altimetry with simulation
data [6.591483977714996]
深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。
リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。
本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
論文 参考訳(メタデータ) (2023-09-19T14:32:25Z) - AI-GOMS: Large AI-Driven Global Ocean Modeling System [3.635120568177384]
海洋モデリングは、海洋の物理的、化学的、生物学的過程をシミュレートするための強力なツールである。
本稿では,AIによる大規模海洋モデリングシステムであるAI-GOMSについて紹介する。
論文 参考訳(メタデータ) (2023-08-06T15:59:30Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Physics Informed Neural Fields for Smoke Reconstruction with Sparse Data [73.8970871148949]
まばらなマルチビューRGBビデオから流体を高忠実に再現することは、まだまだ難しい課題だ。
既存のソリューションは、障害物や照明に関する知識を前提とするか、障害物や複雑な照明のない単純な流体シーンのみに焦点を当てる。
本稿では, 制御物理(Navier-Stokes方程式)をエンドツーエンドの最適化で活用することにより, 動的流体を再構築する最初の方法を提案する。
論文 参考訳(メタデータ) (2022-06-14T03:38:08Z)
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。