論文の概要: ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion

• arxiv url: http://arxiv.org/abs/2506.10391v1
• Date: Thu, 12 Jun 2025 06:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.606165
• Title: ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion
• Title（参考訳）: ReconMOST:観測誘導拡散による多層海洋温度再構成
• Authors: Yuanyi Song, Pumeng Lyu, Ben Fei, Fenghua Ling, Wanli Ouyang, Lei Bai,
• Abstract要約: ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
• 参考スコア（独自算出の注目度）: 48.540756751934836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate reconstruction of ocean is essential for reflecting global climate dynamics and supporting marine meteorological research. Conventional methods face challenges due to sparse data, algorithmic complexity, and high computational costs, while increasing usage of machine learning (ML) method remains limited to reconstruction problems at the sea surface and local regions, struggling with issues like cloud occlusion. To address these limitations, this paper proposes ReconMOST, a data-driven guided diffusion model framework for multi-layer sea temperature reconstruction. Specifically, we first pre-train an unconditional diffusion model using a large collection of historical numerical simulation data, enabling the model to attain physically consistent distribution patterns of ocean temperature fields. During the generation phase, sparse yet high-accuracy in-situ observational data are utilized as guidance points for the reverse diffusion process, generating accurate reconstruction results. Importantly, in regions lacking direct observational data, the physically consistent spatial distribution patterns learned during pre-training enable implicitly guided and physically plausible reconstructions. Our method extends ML-based SST reconstruction to a global, multi-layer setting, handling over 92.5% missing data while maintaining reconstruction accuracy, spatial resolution, and superior generalization capability. We pre-train our model on CMIP6 numerical simulation data and conduct guided reconstruction experiments on CMIP6 and EN4 analysis data. The results of mean squared error (MSE) values achieve 0.049 on guidance, 0.680 on reconstruction, and 0.633 on total, respectively, demonstrating the effectiveness and robustness of the proposed framework. Our source code is available at https://github.com/norsheep/ReconMOST.
• Abstract（参考訳）: 海洋の正確な復元は、地球規模の気候動態を反映し、海洋気象学研究を支援するために不可欠である。 従来の手法では、希少なデータ、アルゴリズムの複雑さ、高い計算コストによる課題に直面する一方で、機械学習(ML)手法の利用の増加は、雲の閉塞のような問題に苦しむ海面や地域における再構築の問題に限られている。 これらの制約に対処するため,多層水温再構成のためのデータ駆動誘導拡散モデルフレームワークであるReconMOSTを提案する。 具体的には, 過去の数値シミュレーションデータを用いた非条件拡散モデルの事前学習を行い, 海洋温度場の物理的に一貫した分布パターンを実現できることを示す。 生成段階では、逆拡散過程の誘導ポイントとして、スパースかつ高精度なその場観測データを利用し、正確な再構成結果を生成する。 重要なことは、直接観測データを持たない地域では、事前学習中に学習した物理的に一貫した空間分布パターンが暗黙的にガイドされ、物理的に妥当な再構築を可能にすることである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを扱うとともに,再構成精度,空間分解能,高度な一般化能力を維持した。 我々は,CMIP6数値シミュレーションデータを用いた事前学習を行い,CMIP6およびEN4解析データを用いたガイド付き再構成実験を行った。 平均二乗誤差 (MSE) の値は, ガイダンスで0.049, 再構築で0.680, 合計で0.633となり, 提案フレームワークの有効性とロバスト性を実証した。 ソースコードはhttps://github.com/norsheep/ReconMOST.comで公開されています。

関連論文リスト

• A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature [17.57893699503326]
  リモートセンシングデータから地表面温度(LST)を抽出することは、気候過程や地表面エネルギー予算を分析する上で重要である。 本稿では,単一チャネルLST検索の精度と一般化性を高めるため,メカニスティックモデリングと機械学習を統合した深い結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T06:19:01Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• 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)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)

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。