論文の概要: IDRIFTNET: Physics-Driven Spatiotemporal Deep Learning for Iceberg Drift Forecasting

• arxiv url: http://arxiv.org/abs/2507.00036v1
• Date: Wed, 18 Jun 2025 21:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.401242
• Title: IDRIFTNET: Physics-Driven Spatiotemporal Deep Learning for Iceberg Drift Forecasting
• Title（参考訳）: IDRIFTNET:氷山ドリフト予測のための物理駆動時空間深層学習
• Authors: Rohan Putatunda, Sanjay Purushotham, Ratnaksha Lele, Vandana P. Janeja,
• Abstract要約: IDRIFTNETは、氷山ドリフト物理の解析的定式化と強化された残留学習モデルを組み合わせた物理駆動ディープラーニングモデルである。 南極の2つの氷山(A23AとB22A)におけるIDRIFTNETモデルの性能と最先端のモデルとの比較を行った。
• 参考スコア（独自算出の注目度）: 6.578830756688294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drifting icebergs in the polar oceans play a key role in the Earth's climate system, impacting freshwater fluxes into the ocean and regional ecosystems while also posing a challenge to polar navigation. However, accurately forecasting iceberg trajectories remains a formidable challenge, primarily due to the scarcity of spatiotemporal data and the complex, nonlinear nature of iceberg motion, which is also impacted by environmental variables. The iceberg motion is influenced by multiple dynamic environmental factors, creating a highly variable system that makes trajectory identification complex. These limitations hinder the ability of deep learning models to effectively capture the underlying dynamics and provide reliable predictive outcomes. To address these challenges, we propose a hybrid IDRIFTNET model, a physics-driven deep learning model that combines an analytical formulation of iceberg drift physics, with an augmented residual learning model. The model learns the pattern of mismatch between the analytical solution and ground-truth observations, which is combined with a rotate-augmented spectral neural network that captures both global and local patterns from the data to forecast future iceberg drift positions. We compare IDRIFTNET model performance with state-of-the-art models on two Antarctic icebergs: A23A and B22A. Our findings demonstrate that IDRIFTNET outperforms other models by achieving a lower Final Displacement Error (FDE) and Average Displacement Error (ADE) across a variety of time points. These results highlight IDRIFTNET's effectiveness in capturing the complex, nonlinear drift of icebergs for forecasting iceberg trajectories under limited data and dynamic environmental conditions.
• Abstract（参考訳）: 北極海の氷山は地球の気候システムにおいて重要な役割を担い、海や地域生態系への淡水のフラックスに影響を与え、極地航行にも挑戦している。 しかし、氷山軌道の正確な予測は、主に時空間データの不足と、環境変数の影響を受けている氷山運動の複雑で非線形性のために、依然として非常に難しい課題である。 氷山運動は複数の動的環境因子の影響を受けており、軌跡同定を複雑にする高度に可変な系を形成する。 これらの制限は、基礎となるダイナミクスを効果的に捉え、信頼できる予測結果を提供するディープラーニングモデルの能力を妨げます。 これらの課題に対処するために,氷山ドリフト物理の解析的定式化を組み込んだ物理駆動ディープラーニングモデルであるIDRIFTNETモデルと,強化された残留学習モデルを提案する。 モデルでは,解析解と地中構造観測のミスマッチパターンを学習し,データからグローバルなパターンとローカルなパターンを捕捉し,将来の氷山ドリフト位置を予測する。 南極の2つの氷山(A23AとB22A)におけるIDRIFTNETモデルの性能と最先端のモデルとの比較を行った。 以上の結果から,IDRIFTNETはFDE(Falnal Displacement Error)とADE(Average Displacement Error)を様々な時間点で比較することにより,他のモデルよりも優れていることがわかった。 これらの結果から,IDRIFTNETが氷山の複雑な非線形ドリフトを捉え,限られたデータと動的環境条件下での氷山軌跡の予測に有効であることが示唆された。

関連論文リスト

• Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
  正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。 従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。 本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
  論文  参考訳（メタデータ） (2025-05-22T15:09:25Z)
• A physics informed neural network approach to simulating ice dynamics governed by the shallow ice approximation [0.0]
  我々は,氷床力学をシミュレーションする物理情報ニューラルネットワーク (PINN) を開発した。 複雑な自由境界条件のキャプチャにおけるモデルの有効性を検証する。 このアプローチを現実の環境で説明するために、2000年と2018年の航空物理データを取り入れて、デヴォン氷冠の力学をシミュレートする。
  論文  参考訳（メタデータ） (2025-04-10T21:32:03Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
  我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。 本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。 その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-14T23:53:25Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Towards Spatio-temporal Sea Surface Temperature Forecasting via Static and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
  本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。 具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。 そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
  論文  参考訳（メタデータ） (2023-04-12T14:35:38Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Deep learning for improved global precipitation in numerical weather prediction systems [1.721029532201972]
  我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。 その結果,インド気象局が使用した操作力学モデルと比較した。 この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
  論文  参考訳（メタデータ） (2021-06-20T05:10:42Z)

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。