論文の概要: Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations
- arxiv url: http://arxiv.org/abs/2509.19384v1
- Date: Sun, 21 Sep 2025 14:12:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-25 20:53:19.532474
- Title: Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations
- Title（参考訳）: スパース観測による重要な波高の再構成
- Authors: Hongyuan Shi, Yilin Zhai, Ping Dong, Zaijin You, Chao Zhan, Qing Wang,
- Abstract要約: マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。
データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
- 参考スコア（独自算出の注目度）: 3.356199201143573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing high-resolution regional significant wave height fields from sparse and uneven buoy observations remains a core challenge for ocean monitoring and risk-aware operations. We introduce AUWave, a hybrid deep learning framework that fuses a station-wise sequence encoder (MLP) with a multi-scale U-Net enhanced by a bottleneck self-attention layer to recover 32$\times$32 regional SWH fields. A systematic Bayesian hyperparameter search with Optuna identifies the learning rate as the dominant driver of generalization, followed by the scheduler decay and the latent dimension. Using NDBC buoy observations and ERA5 reanalysis over the Hawaii region, AUWave attains a minimum validation loss of 0.043285 and a slightly right-skewed RMSE distribution. Spatial errors are lowest near observation sites and increase with distance, reflecting identifiability limits under sparse sampling. Sensitivity experiments show that AUWave consistently outperforms a representative baseline in data-richer configurations, while the baseline is only marginally competitive in the most underdetermined single-buoy cases. The architecture's multi-scale and attention components translate into accuracy gains when minimal but non-trivial spatial anchoring is available. Error maps and buoy ablations reveal key anchor stations whose removal disproportionately degrades performance, offering actionable guidance for network design. AUWave provides a scalable pathway for gap filling, high-resolution priors for data assimilation, and contingency reconstruction.
- Abstract（参考訳）: 疎水・不均質のブイ観測から高分解能な局地波高度場を再構築することは、海洋モニタリングとリスク対応運用において重要な課題である。
AUWaveは、局側シーケンスエンコーダ(MLP)と、ボトルネック自己アテンション層によって強化されたマルチスケールU-Netを融合して32$\times$32の地域SWHフィールドを復元するハイブリッドディープラーニングフレームワークである。
オプトゥーナを用いた体系的なベイズハイパーパラメータ探索では、学習率が一般化の主要因であると認識され、続いてスケジューラの減衰と潜時次元が続く。
ハワイ地域でのNDBCブイ観測とERA5の再分析を用いて、AUWaveは最小で0.043285のバリデーション損失とわずかに右歪のRMSE分布を達成している。
空間的誤差は観測地点付近で最低であり、遠距離で増加し、スパースサンプリング下での識別可能性の限界を反映している。
感度実験により、AUWaveはデータリッチな構成において代表的ベースラインを一貫して上回り、一方、ベースラインは最も過小評価されている単一ブイの場合においてわずかに競争力がある。
アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
エラーマップとブイアブレーションにより、除去が不公平に性能を低下させ、ネットワーク設計のための実用的なガイダンスを提供するキーアンカーステーションが明らかにされる。
AUWaveは、ギャップフィリングのためのスケーラブルなパス、データ同化のための高解像度の事前処理、および並行性再構築を提供する。
関連論文リスト
- SWAN: Synergistic Wavelet-Attention Network for Infrared Small Target Detection [8.098063209250684]
赤外線小目標検出(IRSTD)は、民間および軍事用途において重要である。
近年の手法は局所的な空間パターンを主に捉えた従来の畳み込み処理に重点を置いている。
空間領域と周波数領域の両方からターゲットを知覚する新しいフレームワークであるSynergistic Wavelet-Attention Network (SWAN)を提案する。
論文 参考訳（メタデータ） (2025-08-02T11:26:58Z) - A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction [42.71119573226285]
低高度経済の拡大は、空路設計における低高度ネットワーク被覆(LANC)予測の重要性を浮き彫りにした。
専門知識に基づく特徴圧縮と非絡み合い表現学習を組み合わせた二重戦略を導入する。
実験により,本フレームワークの有効性が確認され,最高のベースラインアルゴリズムと比較して7%の誤差が減少した。
論文 参考訳（メタデータ） (2025-07-13T05:31:35Z) - Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。
現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。
本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
論文 参考訳（メタデータ） (2025-06-15T08:19:32Z) - Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis [24.223897705640105]
都市部の道路やインフラは、市の運営に欠かせないものであり、ひび割れやキャビティのような地下の異常から増大する脅威に直面している。
地中貫入レーダ(GPR)は、電磁波(EM)を用いた地下条件を効果的に可視化する。
しかし、GPRによる正確な異常検出は、限られたラベル付きデータ、異なる地下条件、不特定ターゲット境界により、依然として困難である。
本稿では,GPRデータの視覚的識別性と波動変化特性を両立させるため,Reservoir-enhanced Segment Anything Model (Res-SAM)を提案する。
論文 参考訳（メタデータ） (2025-04-26T05:13:22Z) - Soft ascent-descent as a stable and flexible alternative to flooding [6.527016551650139]
我々は,軟化・ポイントワイド機構であるSoftADを提案する。この機構は,降水量と降水量の影響を制限し,洪水の上昇・昇華効果を維持できる。
我々は,より小さな損失一般化ギャップとモデル規範を享受しながら,浸水と競合する分類精度をSoftADが実現できることを実証する。
論文 参考訳（メタデータ） (2023-10-16T02:02:56Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - 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) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳（メタデータ） (2022-06-14T09:40:17Z) - Learning Wave Propagation with Attention-Based Convolutional Recurrent
Autoencoder Net [0.0]
本稿では、波動伝播現象のデータ駆動モデリングのための、エンド・ツー・エンドの注意に基づく畳み込み再帰型オートエンコーダ(AB-CRAN)ネットワークを提案する。
波動伝搬に時間依存の双曲偏微分方程式で与えられる全階スナップショットから、デノナイジングに基づく畳み込みオートエンコーダを用いる。
注意に基づくシーケンス・ツー・シーケンス・ネットワークは、通常のRNN-LSTMと比較して、予測の時間-水平を5倍増加させる。
論文 参考訳（メタデータ） (2022-01-17T20:51:59Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z)
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。