論文の概要: Physics Informed Reconstruction of Four-Dimensional Atmospheric Wind Fields Using Multi-UAS Swarm Observations in a Synthetic Turbulent Environment

• arxiv url: http://arxiv.org/abs/2601.22111v1
• Date: Thu, 29 Jan 2026 18:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.083165
• Title: Physics Informed Reconstruction of Four-Dimensional Atmospheric Wind Fields Using Multi-UAS Swarm Observations in a Synthetic Turbulent Environment
• Title（参考訳）: 合成乱流環境下でのマルチUASスウォーム観測による4次元大気風場の物理インフォームド再構成
• Authors: Abdullah Tasim, Wei Sun,
• Abstract要約: 無人航空機システム(UAS)は柔軟な位置測定を提供するが、個々のプラットフォームは飛行軌道に沿ってのみ風をサンプリングする。 本研究では, 協調UAS群集から得られた測定値を用いて, 4次元大気風況を再現するための枠組みを提案する。 その結果,UASの協調測定により,専用の風センサや固定インフラを使わずに,高精度でスケーラブルな4次元風場再構築が可能であった。
• 参考スコア（独自算出の注目度）: 2.878288301715711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate reconstruction of atmospheric wind fields is essential for applications such as weather forecasting, hazard prediction, and wind energy assessment, yet conventional instruments leave spatio-temporal gaps within the lower atmospheric boundary layer. Unmanned aircraft systems (UAS) provide flexible in situ measurements, but individual platforms sample wind only along their flight trajectories, limiting full wind-field recovery. This study presents a framework for reconstructing four-dimensional atmospheric wind fields using measurements obtained from a coordinated UAS swarm. A synthetic turbulence environment and high-fidelity multirotor simulation are used to generate training and evaluation data. Local wind components are estimated from UAS dynamics using a bidirectional long short-term memory network (Bi-LSTM) and assimilated into a physics-informed neural network (PINN) to reconstruct a continuous wind field in space and time. For local wind estimation, the bidirectional LSTM achieves root-mean-square errors (RMSE) of 0.064 and 0.062 m/s for the north and east components in low-wind conditions, increasing to 0.122 to 0.129 m/s under moderate winds and 0.271 to 0.273 m/s in high-wind conditions, while the vertical component exhibits higher error, with RMSE values of 0.029 to 0.091 m/s. The physics-informed reconstruction recovers the dominant spatial and temporal structure of the wind field up to 1000 m altitude while preserving mean flow direction and vertical shear. Under moderate wind conditions, the reconstructed mean wind field achieves an overall RMSE between 0.118 and 0.154 m/s across evaluated UAS configurations, with the lowest error obtained using a five-UAS swarm. These results demonstrate that coordinated UAS measurements enable accurate and scalable four-dimensional wind-field reconstruction without dedicated wind sensors or fixed infrastructure.
• Abstract（参考訳）: 気象予報や危険予報,風力評価などの応用には,大気風場の正確な再構築が不可欠である。 無人航空機システム(UAS)は柔軟な位置測定を提供するが、個々のプラットフォームは飛行軌道に沿ってのみ風をサンプリングし、全風力回復を制限している。 本研究では, 協調型UASスワムから得られた測定値を用いて, 4次元の大気風況を再現するための枠組みを提案する。 合成乱流環境と高忠実度マルチロータシミュレーションを用いて、トレーニングおよび評価データを生成する。 局所風力成分は、双方向長短期記憶ネットワーク(Bi-LSTM)を用いてUAS力学から推定され、物理インフォームドニューラルネットワーク(PINN)に同化され、空間と時間で連続する風場を再構築する。 局所風速推定では,低風条件下では横方向LSTMが0.064m/s,東方向0.062m/sのルート平均二乗誤差(RMSE)を達成し,中風条件では0.122m/s,高風条件では0.271m/s,高風条件では0.273m/sに増加し,横方向LSTMは0.029～0.091m/sの値で高い誤差を示す。 物理インフォームド・リコンストラクションは、平均流方向と垂直せん断を保ちながら、風場の支配的な空間構造と時間構造を最大1000mまで復元する。 中程度の風条件下では、再建された平均風速は、評価されたUAS構成で0.118から0.154m/sのRMSEを達成し、最も低い誤差は5UASスワムを用いて得られる。 これらの結果から, 風力センサや固定インフラを使わずに, 高精度でスケーラブルな4次元風力復元が可能であることが示唆された。

関連論文リスト

• WindMiL: Equivariant Graph Learning for Wind Loading Prediction [0.21847754147782886]
  WindMiLは、体系的なデータセット生成と対称性を考慮したグラフニューラルネットワーク(GNN)を組み合わせた、新しい機械学習フレームワークである。 系統的なデータセットを同変サロゲートと組み合わせることで、WindMiLは建物の風荷重の効率的でスケーラブルで正確な予測を可能にする。
  論文  参考訳（メタデータ） (2025-11-03T04:55:08Z)
• A Weather Foundation Model for the Power Grid [4.060631090375762]
  我々はSilurian AIのWFM, Generative Forecasting Transformer (GFT)を微調整する 5つのグリッドクリティカル変数に対して、ハイパーローカルでアセットレベルの予測を提供する。 平均精度は0.72で、頭頂部ライムアイス検出を行う。
  論文  参考訳（メタデータ） (2025-09-28T08:05:46Z)
• 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)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
  本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。 我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。 我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
  論文  参考訳（メタデータ） (2024-10-17T20:53:04Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific [24.287588853356972]
  2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。 風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
  論文  参考訳（メタデータ） (2022-12-29T02:58:12Z)
• 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)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)

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。