論文の概要: LanTu: Dynamics-Enhanced Deep Learning for Eddy-Resolving Ocean Forecasting

• arxiv url: http://arxiv.org/abs/2505.10191v1
• Date: Thu, 15 May 2025 11:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.298477
• Title: LanTu: Dynamics-Enhanced Deep Learning for Eddy-Resolving Ocean Forecasting
• Title（参考訳）: LanTu: 渦解型海洋予測のための動的強化深層学習
• Authors: Qingyu Zheng, Qi Shao, Guijun Han, Wei Li, Hong Li, Xuan Wang,
• Abstract要約: 本研究では,ダイナミックス強化深層学習に基づく地域渦解海洋予測システムであるLanTuを開発する。 以上の結果から,LanTuは,既存の高度運用数値予測システム(NOFS)とAIベースの海洋予測システム(AI-OFS)を,温度,塩分濃度,海面異常,現在の予測で上回っていることが明らかとなった。 我々の研究は、動的に強化された深層学習(LanTu)が海面予測の強力なパラダイムであることを示している。
• 参考スコア（独自算出の注目度）: 7.849449854663816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mesoscale eddies dominate the spatiotemporal multiscale variability of the ocean, and their impact on the energy cascade of the global ocean cannot be ignored. Eddy-resolving ocean forecasting is providing more reliable protection for fisheries and navigational safety, but also presents significant scientific challenges and high computational costs for traditional numerical models. Artificial intelligence (AI)-based weather and ocean forecasting systems are becoming powerful tools that balance forecast performance with computational efficiency. However, the complex multiscale features in the ocean dynamical system make AI models still face many challenges in mesoscale eddy forecasting (especially regional modelling). Here, we develop LanTu, a regional eddy-resolving ocean forecasting system based on dynamics-enhanced deep learning. We incorporate cross-scale interactions into LanTu and construct multiscale physical constraint for optimising LanTu guided by knowledge of eddy dynamics in order to improve the forecasting skill of LanTu for mesoscale evolution. The results show that LanTu outperforms the existing advanced operational numerical ocean forecasting system (NOFS) and AI-based ocean forecasting system (AI-OFS) in temperature, salinity, sea level anomaly and current prediction, with a lead time of more than 10 days. Our study highlights that dynamics-enhanced deep learning (LanTu) can be a powerful paradigm for eddy-resolving ocean forecasting.
• Abstract（参考訳）: メソスケール渦は海洋の時空間的多スケール変動を支配しており、大洋のエネルギーカスケードへの影響は無視できない。 渦解海予測は漁業と航行安全の信頼性を高めつつも、従来の数値モデルに重要な科学的課題と高い計算コストをもたらす。 人工知能(AI)ベースの天気予報システムは、予測性能と計算効率のバランスをとる強力なツールになりつつある。 しかし、海洋力学系の複雑なマルチスケールの特徴により、AIモデルはメソスケール渦予測(特に地域モデリング)において多くの課題に直面している。 本稿では,ダイナミックス強化深層学習に基づく地域渦解海洋予測システムであるLanTuを開発する。 メソスケール進化のためのLanTuの予測技術を改善するため,LanTuにクロススケールインタラクションを組み込んで,エディダイナミクスの知識によって導かれるLanTuを最適化するためのマルチスケール物理制約を構築した。 以上の結果から,LanTuは,高温,塩分濃度,海面異常,現在の予測において,従来の高度運用数値予測システム(NOFS)とAIベースの海洋予測システム(AI-OFS)を10日間のリードタイムで上回った。 我々の研究は、動的に強化された深層学習(LanTu)が海面予測の強力なパラダイムであることを示している。

関連論文リスト

• LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting [17.125674052741928]
  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。
  論文  参考訳（メタデータ） (2024-12-24T02:14:39Z)
• 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)
• Data-driven Global Ocean Modeling for Seasonal to Decadal Prediction [39.7461632644892]
  ORCA-DLは,海洋循環の季節的・季節的な予測を行う最初のデータ駆動型3次元海洋モデルである。 三次元海洋力学を正確にシミュレートし、最先端の力学モデルより優れている。 ケイデンスの時間スケールで海洋力学を安定にエミュレートし、巧妙なデケイデンスの予測や気候予測にもその可能性を示す。
  論文  参考訳（メタデータ） (2024-05-24T10:23:17Z)
• 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)
• 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-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)

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。