論文の概要: Benchmarking Artificial Intelligence Models for Daily Coastal Hypoxia Forecasting

• arxiv url: http://arxiv.org/abs/2602.05178v1
• Date: Thu, 05 Feb 2026 01:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.693817
• Title: Benchmarking Artificial Intelligence Models for Daily Coastal Hypoxia Forecasting
• Title（参考訳）: 日中低酸素予測のための人工知能モデルのベンチマーク
• Authors: Magesh Rajasekaran, Md Saiful Sajol, Chris Alvin, Supratik Mukhopadhyay, Yanda Ou, Z. George Xue,
• Abstract要約: 沿岸低酸素症、特にメキシコ湾北部では、生態学的および経済的な懸念が続いている。 本研究では,毎日の低酸素度分類のための4つのディープラーニングアーキテクチャを比較した。 本研究では,水柱成層,堆積物酸素消費量,温度依存性分解速度を考慮した分類モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.3640438043380942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coastal hypoxia, especially in the northern part of Gulf of Mexico, presents a persistent ecological and economic concern. Seasonal models offer coarse forecasts that miss the fine-scale variability needed for daily, responsive ecosystem management. We present study that compares four deep learning architectures for daily hypoxia classification: Bidirectional Long Short-Term Memory (BiLSTM), Medformer (Medical Transformer), Spatio-Temporal Transformer (ST-Transformer), and Temporal Convolutional Network (TCN). We trained our models with twelve years of daily hindcast data from 2009-2020 Our training data consists of 2009-2020 hindcast data from a coupled hydrodynamic-biogeochemical model. Similarly, we use hindcast data from 2020 through 2024 as a test data. We constructed classification models incorporating water column stratification, sediment oxygen consumption, and temperature-dependent decomposition rates. We evaluated each architectures using the same data preprocessing, input/output formulation, and validation protocols. Each model achieved high classification accuracy and strong discriminative ability with ST-Transformer achieving the highest performance across all metrics and tests periods (AUC-ROC: 0.982-0.992). We also employed McNemar's method to identify statistically significant differences in model predictions. Our contribution is a reproducible framework for operational real-time hypoxia prediction that can support broader efforts in the environmental and ocean modeling systems community and in ecosystem resilience. The source code is available https://github.com/rmagesh148/hypoxia-ai/
• Abstract（参考訳）: 沿岸低酸素症、特にメキシコ湾北部では、生態学的および経済的な懸念が続いている。 季節モデルは、日々の応答性のある生態系管理に必要なスケールのばらつきを見逃すような粗い予測を提供する。 本稿では,2方向長短期記憶(BiLSTM),メドフォーマ(Medformer),時空間変換(Spatio-Temporal Transformer,ST-Transformer),時空間畳み込みネットワーク(TCN)の4つのディープラーニングアーキテクチャを比較した。 我々は2009-2020年の12年間の日次ヒンドキャストデータを用いて,2009-2020年のハイドロダイナミック・バイオオケミカルモデルによるヒンドキャストデータをトレーニングした。 同様に、2020年から2024年までのヒンドキャストデータをテストデータとして使用しています。 本研究では,水柱成層,堆積物酸素消費量,温度依存性分解速度を考慮した分類モデルを構築した。 我々は、同じデータ前処理、入出力定式化、検証プロトコルを用いて、各アーキテクチャを評価した。 それぞれのモデルは高い分類精度と強い識別能力を達成し、ST-Transformerは全ての測定および試験期間(AUC-ROC:0.982-0.992)で最高性能を達成した。 また,モデル予測における統計的に有意な差を同定するためにマクネマール法を用いた。 我々の貢献は、環境・海洋モデリングシステムコミュニティや生態系のレジリエンスにおける幅広い取り組みを支援することができる運用時低酸素予測のための再現可能なフレームワークである。 ソースコードはhttps://github.com/rmagesh148/hypoxia-ai/で入手できる。

関連論文リスト

• Data Driven Deep Learning for Correcting Global Climate Model Projections of SST and DSL in the Bay of Bengal [0.4972323953932129]
  このバイアスを正すために、新しいデータ駆動型ディープラーニングモデルを導入します。 各変数の深いニューラルモデルは、気象学的に除去された月の気候予測を入力として、対応する月のORAS5を出力としてトレーニングされる。 バイアス補正のための従来の等価累積分布関数(EDCDF)の統計手法と比較して,本手法はSSTでは0.15C,DSLでは0.3m減少する。
  論文  参考訳（メタデータ） (2025-04-29T10:40:37Z)
• Modeling groundwater levels in California's Central Valley by hierarchical Gaussian process and neural network regression [9.816891579613628]
  中央バレー帯水層の3次元岩相テクスチャモデルから学習し,地下水位をモデル化するための新しい機械学習手法を考案した。 本研究では,不規則な井戸データを持つ流域における帯水層応答に対する水文学的理解を補うためにモデル予測がどのように用いられるかを示す。 以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,前回の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
  論文  参考訳（メタデータ） (2023-10-23T04:21:26Z)
• 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)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching [0.0]
  我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。 本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
  論文  参考訳（メタデータ） (2023-08-11T18:29:28Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Differentiable, learnable, regionalized process-based models with physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
  地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。 我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
  論文  参考訳（メタデータ） (2022-03-28T15:06:53Z)

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。