論文の概要: Resolution Revolution: A Physics-Guided Deep Learning Framework for Spatiotemporal Temperature Reconstruction

• arxiv url: http://arxiv.org/abs/2507.09872v1
• Date: Mon, 14 Jul 2025 03:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.180096
• Title: Resolution Revolution: A Physics-Guided Deep Learning Framework for Spatiotemporal Temperature Reconstruction
• Title（参考訳）: 分解能革命:時空間温度再構成のための物理誘導深層学習フレームワーク
• Authors: Shengjie Liu, Lu Zhang, Siqin Wang,
• Abstract要約: 現在の技術では、時給2kmで観測できるが、100mでは16日おきにしか観測できない。 本稿では、2つのデータソースを統合した温度データ再構成のための物理誘導型ディープラーニングフレームワークを提案する。 提案フレームワークは、毎年恒例の温度サイクルを組み込んだ畳み込みニューラルネットワークを使用し、粗い地球系のモデル出力を衛星から観測された微細な温度値に増幅する線形項を含む。
• 参考スコア（独自算出の注目度）: 5.6087513714958686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Central to Earth observation is the trade-off between spatial and temporal resolution. For temperature, this is especially critical because real-world applications require high spatiotemporal resolution data. Current technology allows for hourly temperature observations at 2 km, but only every 16 days at 100 m, a gap further exacerbated by cloud cover. Earth system models offer continuous hourly temperature data, but at a much coarser spatial resolution (9-31 km). Here, we present a physics-guided deep learning framework for temperature data reconstruction that integrates these two data sources. The proposed framework uses a convolutional neural network that incorporates the annual temperature cycle and includes a linear term to amplify the coarse Earth system model output into fine-scale temperature values observed from satellites. We evaluated this framework using data from two satellites, GOES-16 (2 km, hourly) and Landsat (100 m, every 16 days), and demonstrated effective temperature reconstruction with hold-out and in situ data across four datasets. This physics-guided deep learning framework opens new possibilities for generating high-resolution temperature data across spatial and temporal scales, under all weather conditions and globally.
• Abstract（参考訳）: 地球観測の中心は、空間分解能と時間分解能のトレードオフである。 実世界のアプリケーションでは高時空間分解能データを必要とするため、これは特に重要である。 現在の技術では、時給2kmで観測できるが、100mでは16日おきにしか観測できない。 地球系モデルは、連続した時温データを提供するが、より粗い空間分解能(9-31km)を持つ。 本稿では,この2つのデータソースを統合した,温度データ再構成のための物理誘導型ディープラーニングフレームワークを提案する。 提案フレームワークは、毎年恒例の温度サイクルを組み込んだ畳み込みニューラルネットワークを使用し、粗い地球系のモデル出力を衛星から観測された微細な温度値に増幅する線形項を含む。 GOES-16 (2km, hourly) とランドサット (100m, 16日毎) の2つの衛星のデータを用いて, この枠組みを評価し, 4つのデータセットにまたがるホールドアウトおよびインシトゥデータを用いて, 効果的な温度再構成を実証した。 この物理誘導深層学習フレームワークは、すべての気象条件と世界規模で、空間的および時間的スケールにわたる高解像度の温度データを生成する新たな可能性を開く。

関連論文リスト

• FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations [3.344876133162209]
  都市熱波、干ばつ、陸熱波は、気候変動の文脈において、ますます困難を増している。 これらの現象を評価し理解するための最も重要な変数の1つはランドサーフェス温度(LST)である。 本研究では,ランドサット8号とテラMODIS号の時空間観測により,毎日10mの空間分解能でLST観測を行うFuseTenを提案する。
  論文  参考訳（メタデータ） (2025-07-30T23:04:16Z)
• From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences [0.38836072943850625]
  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。
  論文  参考訳（メタデータ） (2025-05-24T16:24:10Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• Global atmospheric data assimilation with multi-modal masked autoencoders [20.776143147372427]
  EarthNetはデータ同化のためのマルチモーダル基礎モデルである。 衛星観測のみから、地球規模のギャップに満ちた大気状態を予測することを学ぶ。 大気の3次元温度と湿度の地球規模の0.16度の再分析データセットを生成する。
  論文  参考訳（メタデータ） (2024-07-16T13:15:51Z)
• DeepExtremeCubes: Integrating Earth system spatio-temporal data for impact assessment of climate extremes [5.736700805381591]
  機械学習技術は、将来性を示すが、十分に構造化され、高品質で、キュレートされた分析可能なデータセットを必要とする。 ここでは、熱波の周囲をマッピングし、干ばつによる極端な衝撃に対処するDeepExtremesデータベースを紹介します。 全世界で4万個以上の空間サンプリングされた小さなデータキューブ(すなわちミニキューブ)を含み、空間カバレッジは2.5×2.5kmである。
  論文  参考訳（メタデータ） (2024-06-26T08:53:26Z)
• 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)
• 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)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Improving trajectory calculations using deep learning inspired single image superresolution [0.0]
  低分解能ERA5リアナリシスデータに基づいて、超解像のための最先端の深層残留ネットワークの様々なバージョンを訓練する。 得られた風速は, 線形空間推定により得られた風の約半分の根平均2乗であることを示す。
  論文  参考訳（メタデータ） (2022-06-07T14:28:05Z)
• EarthNet2021: A novel large-scale dataset and challenge for forecasting localized climate impacts [12.795776149170978]
  大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。 メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。 EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
  論文  参考訳（メタデータ） (2020-12-11T11:21:00Z)
• 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving [43.09957836757648]
  本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。 その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
  論文  参考訳（メタデータ） (2020-09-14T12:31:20Z)

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。