論文の概要: Do Tensorized Large-Scale Spatiotemporal Dynamic Atmospheric Data Exhibit Low-Rank Properties?

• arxiv url: http://arxiv.org/abs/2507.03289v1
• Date: Fri, 04 Jul 2025 04:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.657266
• Title: Do Tensorized Large-Scale Spatiotemporal Dynamic Atmospheric Data Exhibit Low-Rank Properties?
• Title（参考訳）: テンソル化された大規模時空間動的大気圧データにより低域特性が抑制されるか?
• Authors: Ryan Solgi, Seyedali Mousavinezhad, Hugo A. Loaiciga,
• Abstract要約: アメリカ合衆国(US)の4年間にわたって, センチネル-5P対流圏NO2生成物(S5P-TN)に着目した。 我々は、低ランクテンソルモデル(LRTM)を用いて、S5P-TNデータの低ランク特性をSentinel-5P積のギャップに適用する。 我々はS5P-TN積の包括的空間統計的および時間的分析を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we investigate for the first time the low-rank properties of a tensorized large-scale spatio-temporal dynamic atmospheric variable. We focus on the Sentinel-5P tropospheric NO2 product (S5P-TN) over a four-year period in an area that encompasses the contiguous United States (CONUS). Here, it is demonstrated that a low-rank approximation of such a dynamic variable is feasible. We apply the low-rank properties of the S5P-TN data to inpaint gaps in the Sentinel-5P product by adopting a low-rank tensor model (LRTM) based on the CANDECOMP / PARAFAC (CP) decomposition and alternating least squares (ALS). Furthermore, we evaluate the LRTM's results by comparing them with spatial interpolation using geostatistics, and conduct a comprehensive spatial statistical and temporal analysis of the S5P-TN product. The results of this study demonstrated that the tensor completion successfully reconstructs the missing values in the S5P-TN product, particularly in the presence of extended cloud obscuration, predicting outliers and identifying hotspots, when the data is tensorized over extended spatial and temporal scales.
• Abstract（参考訳）: 本研究では,テンソル化大規模時空間変動の低ランク特性を初めて検討した。 アメリカ合衆国(CONUS)を包含する地域で4年間にわたって, センチネル-5P対流圏NO2生成物(S5P-TN)に着目した。 ここでは、そのような動的変数の低ランク近似が実現可能であることを示す。 CANDECOMP/PARAFAC(CP)分解と最小二乗の交互化(ALS)に基づく低ランクテンソルモデル(LRTM)を採用することにより、S5P-TNデータの低ランク特性をSentinel-5Pのインペイントギャップに適用する。 さらに,S5P-TN積の空間的統計的・時間的解析を行い,解析結果と空間的補間を比較してLRTMの結果を評価する。 本研究は, S5P-TN生成物において, テンソル完備化が欠落した値の復元に成功し, 特に, 空間的および時間的スケールでデータをテンソル化した場合, 雲の観測, 流出率の予測, ホットスポットの同定を行った。

関連論文リスト

• STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting [5.003934238878358]
  風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-16T02:43:29Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Time Series Compression using Quaternion Valued Neural Networks and Quaternion Backpropagation [3.8750364147156247]
  本稿では,長い時系列をデータセグメントに分割する4元時間時系列圧縮手法を提案する。 我々は,これらのチャンクのミン,マックス,平均,標準偏差を代表的特徴として抽出し,四元数でカプセル化する。 この時系列は、四重項値ニューラルネットワーク層を用いて処理される。
  論文  参考訳（メタデータ） (2024-03-18T12:22:11Z)
• Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
  ConvS5は、長距離時間モデリングのための効率的な変種である。 トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-10-30T16:11:06Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
  流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。 この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。 我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
  論文  参考訳（メタデータ） (2022-10-29T23:05:39Z)
• Liquid Structural State-Space Models [106.74783377913433]
  Liquid-S4はLong-Range Arenaベンチマークで平均87.32%の性能を達成した。 全生音声コマンド認識では、データセットLiquid-S4は96.78%の精度で、S4と比較してパラメータ数が30%減少している。
  論文  参考訳（メタデータ） (2022-09-26T18:37:13Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Crop Classification under Varying Cloud Cover with Neural Ordinary Differential Equations [23.93148719731374]
  作物分類の最先端の手法は、観測間の時間間隔を暗黙的に仮定する手法に依存している。 本稿では,ニューラル常微分方程式 (NODE) とリカレントニューラルネットワーク (RNN) を組み合わせることで,不規則に空間化された画像列における作物の種類を分類することを提案する。
  論文  参考訳（メタデータ） (2020-12-04T11:56:50Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。