論文の概要: DeepTopoNet: A Framework for Subglacial Topography Estimation on the Greenland Ice Sheets

• arxiv url: http://arxiv.org/abs/2505.23980v1
• Date: Thu, 29 May 2025 20:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.652757
• Title: DeepTopoNet: A Framework for Subglacial Topography Estimation on the Greenland Ice Sheets
• Title（参考訳）: DeepTopoNet:グリーンランド氷床の氷下地形推定のためのフレームワーク
• Authors: Bayu Adhi Tama, Mansa Krishna, Homayra Alam, Mostafa Cham, Omar Faruque, Gong Cheng, Jianwu Wang, Mathieu Morlighem, Vandana Janeja,
• Abstract要約: 本研究では,レーダーによる氷厚観測とBedMachine Greenlandデータを統合するディープラーニングフレームワークを提案する。 提案した損失関数は、レーダーとBedMachineデータの重み付けを適応的に調整し、レーダーカバレッジに制限のある領域で堅牢性を確保する。 Upernavik Isstrom領域で系統的にテストすることにより、このモデルは、亜氷河の地形を再構築する上で、高精度で優れたベースライン法を実現することができる。
• 参考スコア（独自算出の注目度）: 7.881654879031175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding Greenland's subglacial topography is critical for projecting the future mass loss of the ice sheet and its contribution to global sea-level rise. However, the complex and sparse nature of observational data, particularly information about the bed topography under the ice sheet, significantly increases the uncertainty in model projections. Bed topography is traditionally measured by airborne ice-penetrating radar that measures the ice thickness directly underneath the aircraft, leaving data gap of tens of kilometers in between flight lines. This study introduces a deep learning framework, which we call as DeepTopoNet, that integrates radar-derived ice thickness observations and BedMachine Greenland data through a novel dynamic loss-balancing mechanism. Among all efforts to reconstruct bed topography, BedMachine has emerged as one of the most widely used datasets, combining mass conservation principles and ice thickness measurements to generate high-resolution bed elevation estimates. The proposed loss function adaptively adjusts the weighting between radar and BedMachine data, ensuring robustness in areas with limited radar coverage while leveraging the high spatial resolution of BedMachine predictions i.e. bed estimates. Our approach incorporates gradient-based and trend surface features to enhance model performance and utilizes a CNN architecture designed for subgrid-scale predictions. By systematically testing on the Upernavik Isstr{\o}m) region, the model achieves high accuracy, outperforming baseline methods in reconstructing subglacial terrain. This work demonstrates the potential of deep learning in bridging observational gaps, providing a scalable and efficient solution to inferring subglacial topography.
• Abstract（参考訳）: グリーンランドの氷河下地形を理解することは、将来の氷床の質量減少と地球規模の海面上昇への貢献を予測するために重要である。 しかし, 観測データ, 特に氷床下の海底地形に関する情報の複雑で疎らな性質は, モデル投影の不確かさを著しく高めている。 ベッド・トポグラフィーは伝統的に航空機の直下にある氷の厚さを測るレーダーによって測定され、飛行線間で数kmのデータギャップを残している。 本研究では,レーダーによる氷厚観測とBedMachine Greenlandデータを統合したDeepTopoNetというディープラーニングフレームワークを提案する。 ベッド・トポグラフィーを再構築する努力の中で、BedMachineは、大量保存原理と氷厚測定を組み合わせて高分解能ベッドの標高推定を生成する、最も広く使われているデータセットの1つとして登場した。 提案した損失関数は、レーダーとBedMachineデータの重み付けを適応的に調整し、BedMachine予測の高空間分解能(つまりベッド推定)を活用しながら、限られたレーダカバレッジを持つ領域の堅牢性を確保する。 モデル性能を向上させるために勾配モデルとトレンドサーフェス機能を導入し,サブグリッドスケールの予測のために設計されたCNNアーキテクチャを利用する。 Upernavik Isstr{\o}m) 領域を体系的にテストすることにより、このモデルは、亜氷河の地形を再構築する上で、高精度で優れたベースライン法を実現することができる。 この研究は、ブリッジング観測ギャップにおける深層学習の可能性を示し、亜氷期地形を推定するためのスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• AI-ready Snow Radar Echogram Dataset (SRED) for climate change monitoring [0.32985979395737786]
  本研究は2012年に収集されたSnow Radar Airborne Dataから得られた最初の包括的レーダエコーグラムデータセットを紹介する。 その有用性を示すために,データセット上での5つのディープラーニングモデルの性能を評価した。
  論文  参考訳（メタデータ） (2025-05-01T18:29:36Z)
• TopoFormer: Integrating Transformers and ConvLSTMs for Coastal Topography Prediction [0.0]
  textitTopoFormerは、変換器ベースのエンコーダと畳み込みの長い短期記憶層を統合する。 このアーキテクチャは、ビーチプロファイルデータに固有の長距離依存関係と局所化された時間パターンの両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-01-11T09:46:02Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• 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)
• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• Estimating Canopy Height at Scale [15.744009072839425]
  衛星データに基づく世界規模キャノピー高さ推定のためのフレームワークを提案する。 予測と地味ラベルを比較すると、MAE / RMSEは総計2.43/4.73(メートル)、樹高は4.45/6.72(メートル)となる。
  論文  参考訳（メタデータ） (2024-06-03T07:53:38Z)
• EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
  EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。 これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
  論文  参考訳（メタデータ） (2024-04-27T14:10:09Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Snow Layers in Radar Echograms [0.5235143203977018]
  我々は,レーダエコーグラムのためのウェーブレットに基づくマルチスケールディープラーニングアーキテクチャを開発し,積雪層の検出を改善する。 これらのアーキテクチャは、平均絶対誤差3.31ピクセルと94.3%の平均精度で層深さを推定し、最先端の雪層検出ネットワークと比較して高い一般化性を達成する。 このような堅牢なアーキテクチャは、将来のミッションからのエコーグラムで雪の層を効率的に追跡し、個々の厚さを見積もり、海面上昇予測モデルをサポートすることができる。
  論文  参考訳（メタデータ） (2023-10-30T14:30:27Z)
• 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)
• Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
  氷河マッピングは、hkh領域における生態モニタリングの鍵となる。 気候変動は、氷河生態系の健康に依存している個人にリスクを与える。 本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-09T12:48:06Z)

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。