論文の概要: From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences

• arxiv url: http://arxiv.org/abs/2506.12045v1
• Date: Sat, 24 May 2025 16:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.608112
• Title: From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences
• Title（参考訳）: プロキシからフィールドへ:スパースセンサシーケンスからの地球放射の時空間再構成
• Authors: Kazuma Kobayashi, Samrendra Roy, Seid Koric, Diab Abueidda, Syed Bahauddin Alam,
• Abstract要約: TRONは22年間のシミュレーションデータに基づいて訓練され、65,341箇所で一般化されている。 TRONは、大気モデル、地球物理学的ハザードモニタリング、リアルタイム環境リスク予測など、スパースデータから科学分野を再構築するためのドメインに依存しないフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.38836072943850625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate reconstruction of latent environmental fields from sparse and indirect observations is a foundational challenge across scientific domains-from atmospheric science and geophysics to public health and aerospace safety. Traditional approaches rely on physics-based simulators or dense sensor networks, both constrained by high computational cost, latency, or limited spatial coverage. We present the Temporal Radiation Operator Network (TRON), a spatiotemporal neural operator architecture designed to infer continuous global scalar fields from sequences of sparse, non-uniform proxy measurements. Unlike recent forecasting models that operate on dense, gridded inputs to predict future states, TRON addresses a more ill-posed inverse problem: reconstructing the current global field from sparse, temporally evolving sensor sequences, without access to future observations or dense labels. Demonstrated on global cosmic radiation dose reconstruction, TRON is trained on 22 years of simulation data and generalizes across 65,341 spatial locations, 8,400 days, and sequence lengths from 7 to 90 days. It achieves sub-second inference with relative L2 errors below 0.1%, representing a >58,000X speedup over Monte Carlo-based estimators. Though evaluated in the context of cosmic radiation, TRON offers a domain-agnostic framework for scientific field reconstruction from sparse data, with applications in atmospheric modeling, geophysical hazard monitoring, and real-time environmental risk forecasting.
• Abstract（参考訳）: 大気科学や地球物理学から公衆衛生、航空宇宙安全まで、科学分野において、希少で間接的な観測から潜伏する環境分野の正確な再構築は基礎的な課題である。 従来のアプローチは物理ベースのシミュレータや高密度センサーネットワークに依存しており、どちらも計算コスト、レイテンシ、空間範囲の制限によって制約されている。 本稿では,スパース,非一様プロキシ測定のシーケンスから連続的大域スカラー場を推定するために設計された時空間ニューラル演算子ネットワーク(TRON)を提案する。 将来の状態を予測するために密度の高いグリッド化された入力を操作する最近の予測モデルとは異なり、TRONはより不適切な逆問題に対処している。 TRONは、地球規模の宇宙放射線線量再構成を実証し、22年間のシミュレーションデータをトレーニングし、65,341箇所、8,400日、シーケンスの長さを7日から90日間にわたって一般化した。 相対的なL2誤差を0.1%以下に抑え、モンテカルロをベースとした推定器の58,000倍のスピードアップを表わす。 宇宙放射線の文脈で評価されるが、TRONは、大気モデル、地球物理学的ハザードモニタリング、リアルタイム環境リスク予測など、スパースデータから科学分野を再構築するためのドメインに依存しないフレームワークを提供する。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  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。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Towards real-time assessment of infrasound event detection capability using deep learning-based transmission loss estimation [5.601176010173589]
  国際モニタリングシステムの性能評価には, 超音波透過損失の高精度なモデリングが不可欠である。 最先端の伝搬モデリングツールにより、大気モデルを用いて伝達損失を微細にシミュレートすることができる。 近年の研究では,伝達損失予測をほぼ瞬時に行うディープ・ラーニング・アルゴリズムを用いている。 本研究では, 風場と温度場をニューラルネットワークの入力として使用し, 最大130km, 4,000kmの距離をシミュレートした。
  論文  参考訳（メタデータ） (2025-06-03T09:49:12Z)
• Deep learning methods for modeling infrasound transmission loss in the middle atmosphere [5.842419815638353]
  我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。 実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
  論文  参考訳（メタデータ） (2025-06-02T13:10:29Z)
• Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture [9.955223104442755]
  本稿では,PM2.5濃度の予測に係わる依存関係を具体的に把握するS-Temporal Graph Networkアーキテクチャを提案する。 本モデルは,グラフニューラルネットワーク(Transformerv)を付加した再帰単位(GRU)を利用して空間拡散を考慮したエンコーダ・デコーダアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2024-12-18T15:18:12Z)
• 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)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)

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。