論文の概要: Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network

• arxiv url: http://arxiv.org/abs/2510.17756v1
• Date: Mon, 20 Oct 2025 17:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.540193
• Title: Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network
• Title（参考訳）: 物理インフォームドニューラルネットワークによる北極海の海氷速度と濃度の予測
• Authors: Younghyun Koo, Maryam Rahnemoonfar,
• Abstract要約: 我々は,海氷の物理知識を機械学習モデルに統合するための物理情報ニューラルネットワーク(PINN)戦略を開発した。 我々のPINNモデルは、海氷速度(SIV)と海氷濃度(SIC)の予測において、完全なデータ駆動モデルよりも優れている。 PINNのアプローチは、特に融解期と早期凍結期および高速で動く氷地域におけるSIC予測を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As an increasing amount of remote sensing data becomes available in the Arctic Ocean, data-driven machine learning (ML) techniques are becoming widely used to predict sea ice velocity (SIV) and sea ice concentration (SIC). However, fully data-driven ML models have limitations in generalizability and physical consistency due to their excessive reliance on the quantity and quality of training data. In particular, as Arctic sea ice entered a new phase with thinner ice and accelerated melting, there is a possibility that an ML model trained with historical sea ice data cannot fully represent the dynamically changing sea ice conditions in the future. In this study, we develop physics-informed neural network (PINN) strategies to integrate physical knowledge of sea ice into the ML model. Based on the Hierarchical Information-sharing U-net (HIS-Unet) architecture, we incorporate the physics loss function and the activation function to produce physically plausible SIV and SIC outputs. Our PINN model outperforms the fully data-driven model in the daily predictions of SIV and SIC, even when trained with a small number of samples. The PINN approach particularly improves SIC predictions in melting and early freezing seasons and near fast-moving ice regions.
• Abstract（参考訳）: 北極海でのリモートセンシングデータの増加に伴い、データ駆動機械学習(ML)技術は、海氷速度(SIV)と海氷濃度(SIC)を予測するために広く利用されている。 しかし、完全なデータ駆動型MLモデルは、トレーニングデータの量と品質に過度に依存するため、一般化可能性と物理的整合性に制限がある。 特に、北極海氷は氷の薄化と融解の加速により新たな段階に入ったため、過去の海氷データで訓練されたMLモデルは、将来変化する海氷の状態を完全に表現できない可能性がある。 本研究では,海氷の物理知識をMLモデルに統合する物理インフォームドニューラルネットワーク(PINN)戦略を開発した。 階層型情報共有U-net(HIS-Unet)アーキテクチャを基盤として,物理損失関数とアクティベーション関数を組み込んで,物理的に妥当なSIVおよびSIC出力を生成する。 我々のPINNモデルは、少数のサンプルを用いて訓練しても、SIVとSICの日々の予測において、完全なデータ駆動モデルよりも優れています。 PINNのアプローチは、特に融解期と早期凍結期および高速で動く氷地域におけるSIC予測を改善する。

関連論文リスト

• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Physics-Informed Machine Learning On Polar Ice: A Survey [0.6827423171182154]
  極地氷床の質量減少は、海面上昇と海洋循環の変化に寄与する。 従来の物理モデルは物理的に意味のある結果を保証することができるが、高解像度の結果を生み出すには限界がある。 データ駆動型アプローチは、極域ではほとんど利用できない大量の高品質なラベル付きデータを必要とする。 近年,物理モデルとデータ駆動手法の利点を活用する有望なフレームワークとして,物理インフォームド機械学習(PIML)が広く研究されている。
  論文  参考訳（メタデータ） (2024-04-30T13:12:36Z)
• Hierarchical Information-sharing Convolutional Neural Network for the Prediction of Arctic Sea Ice Concentration and Velocity [0.0]
  本研究では, 階層型情報共有U-net (HIS-Unet) と呼ばれる新しいマルチタスクネットワークアーキテクチャを提案し, 日々のSICとSIVを予測する。 私たちのHIS-Unetは、他の統計手法、海氷物理モデル、そしてそのような情報共有ユニットのないニューラルネットワークよりも優れています。 HIS-Unetの改善は、SICとWAMによるSIV間の情報共有が、SICとSIVの動的変化の学習に役立つことを示唆している。
  論文  参考訳（メタデータ） (2023-10-31T21:51:12Z)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Sea Ice Forecasting using Attention-based Ensemble LSTM [4.965782577704965]
  本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。 日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T21:37:29Z)

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。