論文の概要: SSTODE: Ocean-Atmosphere Physics-Informed Neural ODEs for Sea Surface Temperature Prediction

• arxiv url: http://arxiv.org/abs/2511.05629v1
• Date: Fri, 07 Nov 2025 03:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.512432
• Title: SSTODE: Ocean-Atmosphere Physics-Informed Neural ODEs for Sea Surface Temperature Prediction
• Title（参考訳）: SSTODE:海面温度予測のための海洋大気物理インフォームニューラルネットワーク
• Authors: Zheng Jiang, Wei Wang, Gaowei Zhang, Yi Wang,
• Abstract要約: 海面温度 (SST) は, 上海洋熱力学と海洋-大気相互作用を理解する上で重要である。 SSTODEは、SST予測のための物理インフォームドニューラルネットワーク正規微分方程式(Neural ODE)フレームワークである。 SSTODEは、グローバルおよび地域SST予測ベンチマークにおいて最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 14.53497115906873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sea Surface Temperature (SST) is crucial for understanding upper-ocean thermal dynamics and ocean-atmosphere interactions, which have profound economic and social impacts. While data-driven models show promise in SST prediction, their black-box nature often limits interpretability and overlooks key physical processes. Recently, physics-informed neural networks have been gaining momentum but struggle with complex ocean-atmosphere dynamics due to 1) inadequate characterization of seawater movement (e.g., coastal upwelling) and 2) insufficient integration of external SST drivers (e.g., turbulent heat fluxes). To address these challenges, we propose SSTODE, a physics-informed Neural Ordinary Differential Equations (Neural ODEs) framework for SST prediction. First, we derive ODEs from fluid transport principles, incorporating both advection and diffusion to model ocean spatiotemporal dynamics. Through variational optimization, we recover a latent velocity field that explicitly governs the temporal dynamics of SST. Building upon ODE, we introduce an Energy Exchanges Integrator (EEI)-inspired by ocean heat budget equations-to account for external forcing factors. Thus, the variations in the components of these factors provide deeper insights into SST dynamics. Extensive experiments demonstrate that SSTODE achieves state-of-the-art performances in global and regional SST forecasting benchmarks. Furthermore, SSTODE visually reveals the impact of advection dynamics, thermal diffusion patterns, and diurnal heating-cooling cycles on SST evolution. These findings demonstrate the model's interpretability and physical consistency.
• Abstract（参考訳）: 海面温度 (SST) は, 経済的・社会的な影響が深い上海洋熱力学と海洋-大気相互作用を理解する上で重要である。 データ駆動モデルはSST予測において有望であるが、ブラックボックスの性質は解釈可能性を制限することが多く、重要な物理プロセスを見落としている。 近年、物理インフォームドニューラルネットワークは勢いを増しているが、複雑な海洋-大気力学に苦戦している。 1)海水の移動(例:沿岸の隆起)の不十分な評価 2)外部SSTドライバ(例えば乱流熱流束)の統合は不十分であった。 これらの課題に対処するために、SST予測のための物理インフォームドニューラル正規微分方程式(Neural ODE)フレームワークであるSSTODEを提案する。 まず, 流体輸送の原理からODEを導出し, 対流と拡散の両面を海洋時空間力学のモデル化に取り入れる。 変動最適化により、SSTの時間的ダイナミクスを明示的に制御する潜在速度場を復元する。 本研究では, 外部強制要因を考慮したエネルギー交換積分器 (EEI) を提案する。 したがって、これらの因子の成分の変動は、SST力学の深い洞察を与える。 大規模な実験により,SSTODEはグローバルおよび地域SST予測ベンチマークにおいて最先端のパフォーマンスを達成することが示された。 さらに、SSTODEは、SSTの進化に及ぼす対流力学、熱拡散パターン、日中加熱冷却サイクルの影響を視覚的に明らかにする。 これらの結果は、モデルの解釈可能性と物理的整合性を示している。

関連論文リスト

• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
  我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。 その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。 本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
  論文  参考訳（メタデータ） (2024-06-12T20:29:14Z)
• Data-driven Global Ocean Modeling for Seasonal to Decadal Prediction [39.7461632644892]
  ORCA-DLは,海洋循環の季節的・季節的な予測を行う最初のデータ駆動型3次元海洋モデルである。 三次元海洋力学を正確にシミュレートし、最先端の力学モデルより優れている。 ケイデンスの時間スケールで海洋力学を安定にエミュレートし、巧妙なデケイデンスの予測や気候予測にもその可能性を示す。
  論文  参考訳（メタデータ） (2024-05-24T10:23:17Z)
• DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction [45.778221193374755]
  本稿では, タングルサム流体力学に対処する新しいラグランジアン・ユーレリア複合パラダイムを提案する。 ユーレアン観測に基づいて未来を予測するのではなく、流体中に隠れたラグランジアン力学を発見するためにDeepLagを提案する。 DeepLagは、2Dと3D、シミュレートされた実世界の流体をカバーする3つの挑戦的な流体予測タスクに優れています。
  論文  参考訳（メタデータ） (2024-02-04T09:45:35Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• Physical Knowledge Enhanced Deep Neural Network for Sea Surface Temperature Prediction [29.989387641655625]
  本研究では,歴史的観測から数値モデルへ物理知識を伝達する海面温度予測手法を提案する。 具体的には,エンコーダとGAN(Generative Adversarial Network)を組み合わせて,観測データから物理知識を抽出する。 数値モデルデータは、事前訓練されたモデルに入力され、物理強調データを生成し、SST予測に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T02:08:54Z)
• Towards Spatio-temporal Sea Surface Temperature Forecasting via Static and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
  本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。 具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。 そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
  論文  参考訳（メタデータ） (2023-04-12T14:35:38Z)
• Physics-Guided Generative Adversarial Networks for Sea Subsurface Temperature Prediction [24.55780949103687]
  海面下温度は気候変動の地球温暖化の影響を受けている。 既存の研究は一般に物理学に基づく数値モデルまたはデータに基づくモデルに基づいている。 本稿では,GAN(Generative Adversarial Network)と数値モデルを組み合わせた,海底温度の予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-04T23:46:51Z)
• Variational Data Assimilation with a Learned Inverse Observation Operator [46.92601529878414]
  システムの最適化性を改善するために観測データをどのように使用できるかを示す。 これをカオスシステム全体でよりよく振る舞うために利用します。
  論文  参考訳（メタデータ） (2021-02-22T17:16:01Z)
• Analog cosmological reheating in an ultracold Bose gas [58.720142291102135]
  超低温ボースガス中の一般宇宙論単体モデルの再加熱様ダイナミクスを量子シミュレーションする。 非相対論的極限において、拡大時空と背景振動インフラトン場を模倣する。 提案された実験は、弱い結合状態を超えても、最近まで進化を探求する可能性がある。
  論文  参考訳（メタデータ） (2020-08-05T18:00:26Z)

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。