論文の概要: MeltwaterBench: Deep learning for spatiotemporal downscaling of surface meltwater

• arxiv url: http://arxiv.org/abs/2512.12142v1
• Date: Sat, 13 Dec 2025 02:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.139834
• Title: MeltwaterBench: Deep learning for spatiotemporal downscaling of surface meltwater
• Title（参考訳）: MeltwaterBench:表面融液の時空間ダウンスケーリングのための深層学習
• Authors: Björn Lütjens, Patrick Alexander, Raf Antwerpen, Til Widmann, Guido Cervone, Marco Tedesco,
• Abstract要約: グリーンランドの氷床は、完全に理解されておらず、測定が難しいプロセスのため、加速速度で溶けている。 現在の溶けた水の地図はトレードオフに直面している:それらは時間や空間において高解像度であるが両方ではない。 我々は,リモートセンシング観測から得られたデータストリームを融合させることにより,1日当たり100mの格子状表面融水マップを作成する深層学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.8881190834002975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Greenland ice sheet is melting at an accelerated rate due to processes that are not fully understood and hard to measure. The distribution of surface meltwater can help understand these processes and is observable through remote sensing, but current maps of meltwater face a trade-off: They are either high-resolution in time or space, but not both. We develop a deep learning model that creates gridded surface meltwater maps at daily 100m resolution by fusing data streams from remote sensing observations and physics-based models. In particular, we spatiotemporally downscale regional climate model (RCM) outputs using synthetic aperture radar (SAR), passive microwave (PMW), and a digital elevation model (DEM) over the Helheim Glacier in Eastern Greenland from 2017-2023. Using SAR-derived meltwater as "ground truth", we show that a deep learning-based method that fuses all data streams is over 10 percentage points more accurate over our study area than existing non deep learning-based approaches that only rely on a regional climate model (83% vs. 95% Acc.) or passive microwave observations (72% vs. 95% Acc.). Alternatively, creating a gridded product through a running window calculation with SAR data underestimates extreme melt events, but also achieves notable accuracy (90%) and does not rely on deep learning. We evaluate standard deep learning methods (UNet and DeepLabv3+), and publish our spatiotemporally aligned dataset as a benchmark, MeltwaterBench, for intercomparisons with more complex data-driven downscaling methods. The code and data are available at $\href{https://github.com/blutjens/hrmelt}{github.com/blutjens/hrmelt}$.
• Abstract（参考訳）: グリーンランド氷床は、完全に理解されておらず、測定が難しいプロセスのため、加速速度で融解している。 表面融水の分布はこれらの過程を理解するのに役立ち、リモートセンシングによって観測できるが、現在の融水の地図はトレードオフに直面している。 リモートセンシング観測と物理モデルによるデータストリームを融合させることにより,1日100mの解像度で格子状表面融水マップを作成する深層学習モデルを開発した。 特に,2017-2023年に東グリーンランドのヘルハイム氷河上で,合成開口レーダ(SAR),受動マイクロ波(PMW)およびデジタル標高モデル(DEM)を用いて,時空間的にダウンスケールの地域気候モデル(RCM)を出力した。 SAR由来の融水を「地中真実」として用いた結果,全データストリームを融合する深層学習法は,地域気候モデル(95%Acc.)や受動的マイクロ波観測(72%対95%Acc.)のみに依存する既存の非深層学習法よりも10パーセント以上精度が高いことがわかった。 あるいは、SARデータによるランニングウインドウ計算によるグリッド製品の作成は、極端な融解イベントを過小評価するが、顕著な精度(90%)を達成でき、ディープラーニングに依存しない。 我々は、標準的なディープラーニング手法(UNetとDeepLabv3+)を評価し、より複雑なデータ駆動のダウンスケーリング手法との相互比較のための時空間整合データセットであるMeltwaterBenchをベンチマークとして公開する。 コードとデータは$\href{https://github.com/blutjens/hrmelt}{github.com/blutjens/hrmelt}$で入手できる。

関連論文リスト

• 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)
• The impact of internal variability on benchmarking deep learning climate emulators [2.3342885570554652]
  完全複雑地球系モデル(ESM)は計算に非常に高価であり、複数の放出経路の気候結果の探索に使用を制限している。 ESMを近似したより効率的なエミュレータは、排出ガスを直接気候の結果にマッピングすることができ、ベンチマークを使用して標準化されたタスクやデータセットの精度を評価する。 我々は、データ駆動型気候エミュレーションの一般的なベンチマークであるClimateBenchを調査し、ディープラーニングベースのエミュレータが現在、最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T18:17:17Z)
• 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)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• CroCo: Cross-Modal Contrastive learning for localization of Earth Observation data [62.96337162094726]
  地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。 本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。 ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
  論文  参考訳（メタデータ） (2022-04-14T15:55:00Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。