論文の概要: Generative Lagrangian data assimilation for ocean dynamics under extreme sparsity

• arxiv url: http://arxiv.org/abs/2507.06479v1
• Date: Wed, 09 Jul 2025 01:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.433224
• Title: Generative Lagrangian data assimilation for ocean dynamics under extreme sparsity
• Title（参考訳）: 極小域における海洋動態のラグランジアンデータ同化
• Authors: Niloofar Asefi, Leonard Lupin-Jimenez, Tianning Wu, Ruoying He, Ashesh Chattopadhyay,
• Abstract要約: 観測データから海洋力学を再構築することは、空間サンプリングのスパース、不規則、ラグランジアンの性質によって根本的に制限される。 ニューラル演算子と拡散確率モデル(DDPM)を組み合わせて高分解能海洋状態の再構成を行う深層学習フレームワークを利用する。 本手法をベンチマークシステム, 合成フロート観測, 実衛星データで検証し, 厳密な空間サンプリング制限下での頑健な性能を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing ocean dynamics from observational data is fundamentally limited by the sparse, irregular, and Lagrangian nature of spatial sampling, particularly in subsurface and remote regions. This sparsity poses significant challenges for forecasting key phenomena such as eddy shedding and rogue waves. Traditional data assimilation methods and deep learning models often struggle to recover mesoscale turbulence under such constraints. We leverage a deep learning framework that combines neural operators with denoising diffusion probabilistic models (DDPMs) to reconstruct high-resolution ocean states from extremely sparse Lagrangian observations. By conditioning the generative model on neural operator outputs, the framework accurately captures small-scale, high-wavenumber dynamics even at $99\%$ sparsity (for synthetic data) and $99.9\%$ sparsity (for real satellite observations). We validate our method on benchmark systems, synthetic float observations, and real satellite data, demonstrating robust performance under severe spatial sampling limitations as compared to other deep learning baselines.
• Abstract（参考訳）: 観測データから海洋力学を再構築することは、特に地下および遠隔地において、空間サンプリングのスパース、不規則、ラグランジュ的な性質によって根本的に制限される。 この小ささは、渦巻きやローグ波といった重要な現象を予測する上で重要な課題となる。 従来のデータ同化法やディープラーニングモデルは、しばしばそのような制約の下でメソスケールの乱流を回復するのに苦労する。 ニューラル演算子と拡散確率モデル(DDPM)を併用した深層学習フレームワークを用いて,高度に希薄なラグランジアン観測から高分解能海洋状態の再構成を行う。 このフレームワークは、ニューラル演算子の出力に生成モデルを条件付けすることにより、99.9.%の間隔(合成データの場合)と99.9.%の間隔(実際の衛星観測の場合)であっても、小規模で高波数ダイナミクスを正確にキャプチャする。 提案手法をベンチマークシステム, 合成フロート観測, 実衛星データで検証し, 他の深層学習ベースラインと比較して, 厳密な空間サンプリング制限下での頑健な性能を実証した。

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)
• Synthetic Geology -- Structural Geology Meets Deep Learning [3.216132991084434]
  ボキセル化画像に応用した生成人工知能の技術に基づいて,ニューラルネットワークをトレーニングすることにより,地表の地質データを3次元の地下領域に拡張する手法を実証する。 地質活動のイオンを模倣した合成データ生成プロセスの設計により,地下深層学習の発展におけるこのデータギャップを埋める。 このような合成データに基づいてトレーニングされた基礎モデルは、以前は目に見えない表面地形と地質図から地下の3次元画像を生成することができる。
  論文  参考訳（メタデータ） (2025-06-11T20:42:28Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Simulation-informed deep learning for enhanced SWOT observations of fine-scale ocean dynamics [4.575524892161048]
  微細なスケールでの海洋プロセスは、衛星やその場での観測に制限があるため、正確に観測することは極めて困難である。 現在の手法はノイズの多いデータに苦しむか、広範囲の教師付きトレーニングを必要とし、実世界の観測に効果を制限している。 本稿では、実SWOT観測とシミュレーション参照データを組み合わせた教師なし逆学習フレームワークであるSIMPGENを紹介する。
  論文  参考訳（メタデータ） (2025-03-27T09:29:33Z)
• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
  まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。 この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。 我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks [0.0]
  本研究では,津波計ネットワークから予測を生成する津波データ同化手法に着目した。 本モデルは,高分解能津波波動場を極めてスパースな観測から再構成するために用いられる。 本研究では,Huygens-Fresnel Principle を用いた線形補間により,高密度観測ネットワークの生成において,線形補間を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• 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)
• 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)

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。