論文の概要: Advancing Ocean State Estimation with efficient and scalable AI
- arxiv url: http://arxiv.org/abs/2511.06041v1
- Date: Sat, 08 Nov 2025 15:24:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.721395
- Title: Advancing Ocean State Estimation with efficient and scalable AI
- Title（参考訳）: 効率的でスケーラブルなAIによる海洋状態推定の改善
- Abstract要約: マルチソースおよびマルチスケールデータを同化するAI駆動型海洋データ同化フレームワーク(ADAF-Ocean)を提案する。
ADAF-Oceanは、異種入力から海洋状態への連続的なマッピングを学び、ネイティブデータの忠実さを保存する。
- 参考スコア（独自算出の注目度）: 22.24444646069193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and efficient global ocean state estimation remains a grand challenge for Earth system science, hindered by the dual bottlenecks of computational scalability and degraded data fidelity in traditional data assimilation (DA) and deep learning (DL) approaches. Here we present an AI-driven Data Assimilation Framework for Ocean (ADAF-Ocean) that directly assimilates multi-source and multi-scale observations, ranging from sparse in-situ measurements to 4 km satellite swaths, without any interpolation or data thinning. Inspired by Neural Processes, ADAF-Ocean learns a continuous mapping from heterogeneous inputs to ocean states, preserving native data fidelity. Through AI-driven super-resolution, it reconstructs 0.25$^\circ$ mesoscale dynamics from coarse 1$^\circ$ fields, which ensures both efficiency and scalability, with just 3.7\% more parameters than the 1$^\circ$ configuration. When coupled with a DL forecasting system, ADAF-Ocean extends global forecast skill by up to 20 days compared to baselines without assimilation. This framework establishes a computationally viable and scientifically rigorous pathway toward real-time, high-resolution Earth system monitoring.
- Abstract（参考訳）: 従来のデータ同化(DA)と深層学習(DL)のアプローチにおいて、計算スケーラビリティと劣化したデータの忠実性という2つのボトルネックによって妨げられている。
本稿では,AIによる海洋データ同化フレームワーク(ADAF-Ocean)について紹介する。
ニューラル・プロセスにインスパイアされたADAF-Oceanは、異種入力から海洋状態への連続的なマッピングを学び、ネイティブデータの忠実さを保存する。
AI駆動の超解像により、粗い1$^\circ$フィールドから0.25$^\circ$メソスケールダイナミクスを再構成し、1$^\circ$構成よりもわずか3.7\%のパラメータで効率とスケーラビリティの両方を保証する。
DL予測システムと組み合わせると、ADAF-Oceanは、同化のないベースラインと比較して、世界予測スキルを最大20日延長する。
この枠組みは、リアルタイムで高解像度の地球システム監視への計算可能で科学的に厳格な経路を確立する。
関連論文リスト
- OceanDepths: A Global Dataset of Paired Subsurface and Surface Ocean Observations [1.3348917151047532]
OceanDepthsは、世界初のオープンでグローバルな、リグリッドされたAI対応データセットです。
衛星由来の海面温度(SST)、海面塩分濃度(SSS)、海面高度(SSH)L4生成物と、同じ位置にあるEN4地下温度と塩分濃度プロファイルを組み合わせている。
データセットは2000-2024度、空間分解能は0.1度、時間分解能は毎週0.1度である。
論文 参考訳（メタデータ） (2026-08-17T10:29:18Z) - OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation [8.050783873604173]
OceanLightは、非構造化メッシュトークン化とグラフニューラルネットワーク(GNN)バックボーンを組み合わせた、効率的なグローバルオーシャン予測フレームワークである。
OceanLightは、運用数値分析と最先端AIベースのモデルの両方を超越した、ポイントワイズ予測精度と運動エネルギースペクトル忠実度を達成する。
我々の非構造化メッシュ表現は、スケーラブルなデータ駆動海洋学のための一般化可能なパラダイムを確立します。
論文 参考訳（メタデータ） (2026-08-17T04:03:30Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models [57.19693589926157]
OceanPileは、海洋基盤モデル用に設計された大規模マルチモーダルコーパスである。
OceanCorpus、OceanInstruction、OceanBenchmarkの3つの重要なコンポーネントで構成されている。
すべてのデータセットは、海洋人工知能の分野を前進させるために公開されている。
論文 参考訳（メタデータ） (2026-04-25T14:53:37Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。
先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
論文 参考訳（メタデータ） (2026-01-12T10:20:43Z) - OceanForecastBench: A Benchmark Dataset for Data-Driven Global Ocean Forecasting [10.30935627811107]
データ駆動深層学習に基づく海洋予測モデルは、複雑な海洋力学を捉える大きな可能性を示している。
これらの進歩にもかかわらず、オープンソースのベンチマークがないため、一貫性のないデータの使用と評価方法が生まれている。
3つのコアコントリビューションを提供するベンチマークであるOceanForecastBenchを提案する。
論文 参考訳（メタデータ） (2025-11-24T03:57:43Z) - OceanAI: A Conversational Platform for Accurate, Transparent, Near-Real-Time Oceanographic Insights [17.632037709212266]
OceanAIは、オープンソースの大規模言語モデルの自然言語流布を統合した対話型プラットフォームである。
各クエリは、関連するデータセットを特定し、解析し、合成するリアルタイムAPIコールをトリガーする。
OceanAIは複数のNOAAデータ製品と変数に接続し、海洋危険予報、生態系評価、水質モニタリングの応用をサポートする。
論文 参考訳（メタデータ） (2025-11-02T17:23:58Z) - OceanGym: A Benchmark Environment for Underwater Embodied Agents [69.56465775825275]
OceanGymは、海洋水中のエンボディエージェントに関する最初の総合的なベンチマークである。
それは、最も要求の多い現実世界環境の1つでAIを前進させるように設計されている。
高忠実で厳格に設計されたプラットフォームを提供することで、OceanGymは堅牢なエンボディAIを開発するためのテストベッドを確立する。
論文 参考訳（メタデータ） (2025-09-30T17:09:32Z) - 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) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution [9.106159985605009]
FuXi-Oceanは、渦解像1/12deg空間解像度で6時間の予測を達成した最初のデータ駆動型大洋予報モデルである。
モデルアーキテクチャは、コンテキスト認識機能抽出モジュールと、スタックされた注目ブロックを用いた予測ネットワークを統合する。
FuXi-Oceanは、温度、塩分濃度、電流などの重要な変数を複数の深さにわたって予測する優れた技術を示している。
論文 参考訳（メタデータ） (2025-06-03T00:52:31Z) - LanTu: Dynamics-Enhanced Deep Learning for Eddy-Resolving Ocean Forecasting [7.849449854663816]
本研究では,ダイナミックス強化深層学習に基づく地域渦解海洋予測システムであるLanTuを開発する。
以上の結果から,LanTuは,既存の高度運用数値予測システム(NOFS)とAIベースの海洋予測システム(AI-OFS)を,温度,塩分濃度,海面異常,現在の予測で上回っていることが明らかとなった。
我々の研究は、動的に強化された深層学習(LanTu)が海面予測の強力なパラダイムであることを示している。
論文 参考訳（メタデータ） (2025-05-15T11:47:54Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-09T15:13:26Z) - LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting [17.125674052741928]
海洋予報システムであるLangYaを紹介した。
結果は、LangYaが1日から7日間のリードタイムで1つのモデルで予測できることを示した。
既存の数値およびAIベースの海洋予測システムと比較して、LangYaはGlobal Ocean Reanalysis and Simulationバージョン12から27年間の地球海洋データを使用している。
論文 参考訳（メタデータ） (2024-12-24T02:14:39Z) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - 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)
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。