論文の概要: Diffusion-Based, Data-Assimilation-Enabled Super-Resolution of Hub-height Winds
- arxiv url: http://arxiv.org/abs/2510.03364v1
- Date: Fri, 03 Oct 2025 03:38:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:58.933327
- Title: Diffusion-Based, Data-Assimilation-Enabled Super-Resolution of Hub-height Winds
- Title（参考訳）: 拡散に基づくデータ同化によるハブ高さ風の超解法
- Authors: Xiaolong Ma, Xu Dong, Ashley Tarrant, Lei Yang, Rao Kotamarthi, Jiali Wang, Feng Yan, Rajkumar Kettimuthu,
- Abstract要約: WindSRは、ハブ高さ風の超解像ダウンスケーリングのためのデータ同化を伴う拡散モデルである。
WindSRは、最先端拡散モデルを用いて、ダウンスケーリング中のシミュレーションフィールドとスパース観測データを統合する。
我々のデータ同化は、WindSRのモデルバイアスを独立観測と比較して約20%削減する。
- 参考スコア（独自算出の注目度）: 15.944027638997675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality observations of hub-height winds are valuable but sparse in space and time. Simulations are widely available on regular grids but are generally biased and too coarse to inform wind-farm siting or to assess extreme-weather-related risks (e.g., gusts) at infrastructure scales. To fully utilize both data types for generating high-quality, high-resolution hub-height wind speeds (tens to ~100m above ground), this study introduces WindSR, a diffusion model with data assimilation for super-resolution downscaling of hub-height winds. WindSR integrates sparse observational data with simulation fields during downscaling using state-of-the-art diffusion models. A dynamic-radius blending method is introduced to merge observations with simulations, providing conditioning for the diffusion process. Terrain information is incorporated during both training and inference to account for its role as a key driver of winds. Evaluated against convolutional-neural-network and generative-adversarial-network baselines, WindSR outperforms them in both downscaling efficiency and accuracy. Our data assimilation reduces WindSR's model bias by approximately 20% relative to independent observations.
- Abstract（参考訳）: ハブ高さの風の高品質な観測は価値はあるが、空間と時間では希少である。
シミュレーションは通常のグリッドで広く利用可能であるが、一般的にバイアスがあり、ウィンドファームの座を知らせたり、インフラ規模で極端に天候に関連するリスク(ガストなど)を評価するには粗い。
高品質で高解像度のハブ高さ風速(地上から約100m)を生成するために,両データタイプをフル活用するために,ハブ高さ風の超高分解能下降をデータ同化した拡散モデルであるWindSRを導入する。
WindSRは、最先端拡散モデルを用いて、ダウンスケーリング中のシミュレーションフィールドとスパース観測データを統合する。
拡散過程の条件付けとして, 動的半径混合法を導入し, シミュレーションと組み合わせた。
地形情報は、風のキードライバーとしての役割を考慮するために、トレーニングと推論の両方の間に組み込まれている。
畳み込み-神経-ネットワークと生成-逆-ネットワークベースラインに対して評価され、WindSRはそれらをダウンスケーリング効率と精度の両方で上回っている。
我々のデータ同化は、WindSRのモデルバイアスを独立観測と比較して約20%削減する。
関連論文リスト
- Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia [0.0]
風力発電は常に風速のボラティリティによる不確実性を伴う。
風速予測(WSF)は電力グリッドのディスパッチ、安定性、制御性に不可欠である。
本研究では,ハイブリッド分解法に基づく定常データのための新しいWSFフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-17T22:04:46Z) - Super Resolution for Renewable Energy Resource Data With Wind From Reanalysis Data and Application to Ukraine [0.0]
歴史的に正確で、時間ごとに連続し、高解像度の風データに対する世界的な需要は拡大している。
本稿では,敵対的ネットワーク(GAN)を用いたディープラーニングに基づくダウンスケーリング手法を提案する。
このGANに基づくダウンスケーリング法は、動的ダウンスケーリングよりも2桁の計算コストを削減する。
論文 参考訳（メタデータ） (2024-07-26T21:07:17Z) - Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.427841765899196]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。
40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。
ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文 参考訳（メタデータ） (2024-06-19T10:28:11Z) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。