論文の概要: Simulation-informed deep learning for enhanced SWOT observations of fine-scale ocean dynamics
- arxiv url: http://arxiv.org/abs/2503.21303v1
- Date: Thu, 27 Mar 2025 09:29:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:53:53.002181
- Title: Simulation-informed deep learning for enhanced SWOT observations of fine-scale ocean dynamics
- Title(参考訳): シミュレーションインフォームドディープラーニングによる微細海洋力学のSWOT観測
- Authors: Eugenio Cutolo, Carlos Granero-Belinchon, Ptashanna Thiraux, Jinbo Wang, Ronan Fablet,
- Abstract要約: 微細なスケールでの海洋プロセスは、衛星やその場での観測に制限があるため、正確に観測することは極めて困難である。
現在の手法はノイズの多いデータに苦しむか、広範囲の教師付きトレーニングを必要とし、実世界の観測に効果を制限している。
本稿では、実SWOT観測とシミュレーション参照データを組み合わせた教師なし逆学習フレームワークであるSIMPGENを紹介する。
- 参考スコア(独自算出の注目度): 4.575524892161048
- License:
- Abstract: Oceanic processes at fine scales are crucial yet difficult to observe accurately due to limitations in satellite and in-situ measurements. The Surface Water and Ocean Topography (SWOT) mission provides high-resolution Sea Surface Height (SSH) data, though noise patterns often obscure fine scale structures. Current methods struggle with noisy data or require extensive supervised training, limiting their effectiveness on real-world observations. We introduce SIMPGEN (Simulation-Informed Metric and Prior for Generative Ensemble Networks), an unsupervised adversarial learning framework combining real SWOT observations with simulated reference data. SIMPGEN leverages wavelet-informed neural metrics to distinguish noisy from clean fields, guiding realistic SSH reconstructions. Applied to SWOT data, SIMPGEN effectively removes noise, preserving fine-scale features better than existing neural methods. This robust, unsupervised approach not only improves SWOT SSH data interpretation but also demonstrates strong potential for broader oceanographic applications, including data assimilation and super-resolution.
- Abstract(参考訳): 微細なスケールでの海洋プロセスは、衛星やその場観測の限界のため、正確に観測することは困難である。
サーフェス・ウォーター・アンド・オーシャン・トポグラフィー(SWOT)ミッションは、高解像度のシーサーフェス・ハイト(SSH)データを提供するが、ノイズ・パターンはしばしば微細な構造を曖昧にしている。
現在の手法はノイズの多いデータに苦しむか、広範囲の教師付きトレーニングを必要とし、実世界の観測に効果を制限している。
SIMPGEN(Simulation-Informed Metric and Prior for Generative Ensemble Networks)は、実SWOT観測とシミュレーション参照データを組み合わせた教師なしの対向学習フレームワークである。
SIMPGENはウェーブレットインフォームド・ニューラルメトリクスを利用して、クリーンフィールドとノイズを区別し、現実的なSSH再構成を導く。
SWOTデータに適用されたSIMPGENは、ノイズを効果的に除去し、既存のニューラルメソッドよりも詳細な機能を保存する。
この堅牢で教師なしのアプローチはSWOT SSHデータ解釈を改善するだけでなく、データ同化や超解像を含むより広範な海洋学応用の可能性も示している。
関連論文リスト
- Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。
本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
論文 参考訳(メタデータ) (2025-02-20T08:28:01Z) - Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges [0.46873264197900916]
水中でのソナーの使用は、限られた訓練データと固有のノイズが特徴であり、頑丈さをモデル化する上での課題となっている。
本稿では,分類,物体検出,セグメンテーション,SLAMなどのソナーベース認知タスクモデルについて検討する。
ソナーベースの最先端データセット、シミュレータ、ニューラルネットワーク検証、アウト・オブ・ディストリビューション、敵攻撃などの堅牢性メソッドを体系化する。
論文 参考訳(メタデータ) (2024-12-16T15:03:08Z) - Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [33.025831091005784]
大規模な海面温度(SST)モニタリングは、衛星の赤外線検出に依存している。
クラウドカバーは大きな課題を示し、広範な観察上のギャップを生み出します。
我々は、衛星画像の雲に覆われた部分を再構築するために、ディープニューラルネットワークを使用している。
論文 参考訳(メタデータ) (2024-12-04T15:49:49Z) - Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。
光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。
本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
論文 参考訳(メタデータ) (2024-06-18T21:09:56Z) - Learning of Sea Surface Height Interpolation from Multi-variate Simulated Satellite Observations [0.0]
我々は、このデータに基づいてAttention-Based-Decoderディープラーニングネットワーク(textscabed)をトレーニングする。
SST情報の有無にかかわらず、教師付きまたは教師なしの損失関数を用いて、AbeD再建の評価を行った。
オーシャンデータチャレンジ2021の実際のSSH観測から、この学習戦略とSSTの併用により、OIと比較してルート平均2乗誤差が24%減少することがわかった。
論文 参考訳(メタデータ) (2023-10-11T16:09:09Z) - Histogram Layer Time Delay Neural Networks for Passive Sonar
Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。
提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文 参考訳(メタデータ) (2023-07-25T19:47:26Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Context-Preserving Instance-Level Augmentation and Deformable
Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。
ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2022-02-14T07:01:01Z) - Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。
スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。
提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文 参考訳(メタデータ) (2021-05-25T02:17:56Z) - 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) - 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。