論文の概要: Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models
- arxiv url: http://arxiv.org/abs/2602.05416v1
- Date: Thu, 05 Feb 2026 07:59:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.829648
- Title: Reduced-Order Surrogates for Forced Flexible Mesh Coastal-Ocean Models
- Title（参考訳）: 強制フレキシブルメッシュ沿岸オーセアンモデルのための低次サロゲート
- Authors: Freja Høgholm Petersen, Jesper Sandvig Mariegaard, Rocco Palmitessa, Allan P. Engsig-Karup,
- Abstract要約: 本稿では,気象強制と境界条件を組み込んだフレキシブルなクープマンオートエンコーダを提案する。
性能をPODベースのサロゲートと体系的に比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While POD-based surrogates are widely explored for hydrodynamic applications, the use of Koopman Autoencoders for real-world coastal-ocean modelling remains relatively limited. This paper introduces a flexible Koopman autoencoder formulation that incorporates meteorological forcings and boundary conditions, and systematically compares its performance against POD-based surrogates. The Koopman autoencoder employs a learned linear temporal operator in latent space, enabling eigenvalue regularization to promote temporal stability. This strategy is evaluated alongside temporal unrolling techniques for achieving stable and accurate long-term predictions. The models are assessed on three test cases spanning distinct dynamical regimes, with prediction horizons up to one year at 30-minute temporal resolution. Across all cases, the Koopman autoencoder with temporal unrolling yields the best overall accuracy compared to the POD-based surrogates, achieving relative root-mean-squared-errors of 0.01-0.13 and $R^2$-values of 0.65-0.996. Prediction errors are largest for current velocities, and smallest for water surface elevations. Comparing to in-situ observations, the surrogate yields -0.65% to 12% change in water surface elevation prediction error when compared to prediction errors of the physics-based model. These error levels, corresponding to a few centimeters, are acceptable for many practical applications, while inference speed-ups of 300-1400x enables workflows such as ensemble forecasting and long climate simulations for coastal-ocean modelling.
- Abstract（参考訳）: PODをベースとしたサロゲートは流体力学への応用のために広く研究されているが、実際の沿岸・海洋モデルにクープマンオートエンコーダを用いるのは比較的限られている。
本稿では,気象強制と境界条件を組み込んだフレキシブルなクープマンオートエンコーダの定式化を提案し,その性能をPODに基づくサロゲートと比較した。
クープマンオートエンコーダは学習された線形時間演算子を潜在空間で使用し、固有値正規化が時間安定性を促進する。
この戦略は、安定かつ正確な長期予測を達成するための時間的アンロール技術と共に評価される。
モデルは、異なる動的状態にまたがる3つのテストケースで評価され、30分間の時間分解で最大1年間予測される。
いずれの場合も、時間的アンローリングを持つクープマンオートエンコーダはPODベースのサロゲートよりも全体的な精度が良く、相対根平均2乗誤差は0.01-0.13、R^2$-値は0.65-0.996である。
予測誤差は現在の速度では最大であり、水面上昇では最小である。
その場観測と比較して、サロゲートは物理ベースモデルの予測誤差と比較すると、水面標高予測誤差が-0.65%から12%変化する。
これらの誤差レベルは、数cmに対応し、多くの実用的な応用に受け入れられる一方、300-1400xの推論スピードアップは、サンサンブル予測や沿岸海洋モデルのための長期気候シミュレーションのようなワークフローを可能にする。
関連論文リスト
- Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。
ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。
結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
論文 参考訳（メタデータ） (2025-07-21T13:38:54Z) - An application of machine learning to the motion response prediction of floating assets [0.0]
本研究では,400m深部における砲塔係留容器の非線形運動応答を予測するための教師付き機械学習手法を提案する。
そこで我々は,勾配型アンサンブル法と独自の受動的天気予報解法を組み合わせた機械学習ワークフローを開発した。
このモデルでは, 臨界係留パラメータと船舶の進路精度を, メトカンの様々な条件で2.5度以内で平均で5%未満の予測誤差を達成した。
論文 参考訳（メタデータ） (2025-05-31T08:10:12Z) - Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。
数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。
我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
論文 参考訳（メタデータ） (2025-05-26T02:49:00Z) - Improving Significant Wave Height Prediction Using Chronos Models [3.5791500950915567]
本研究は,波動予測に最適化された大規模言語モデル(LLM)を用いた時間的アーキテクチャ(Chronos)の最初の実装であるChronosを紹介する。
北西太平洋流域の3つの戦略的に選択された海洋域の歴史的波動データに高度時間パターン認識を適用した。
論文 参考訳（メタデータ） (2025-04-23T15:56:28Z) - GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction [0.10923877073891446]
海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。
ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。
ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
論文 参考訳（メタデータ） (2024-10-26T08:10:32Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳（メタデータ） (2020-07-28T08:15:17Z)
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。