論文の概要: High-resolution probabilistic estimation of three-dimensional regional ocean dynamics from sparse surface observations

• arxiv url: http://arxiv.org/abs/2604.02850v1
• Date: Fri, 03 Apr 2026 08:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.393513
• Title: High-resolution probabilistic estimation of three-dimensional regional ocean dynamics from sparse surface observations
• Title（参考訳）: スパース表面観測による3次元海洋力学の高分解能確率推定
• Authors: Niloofar Asefi, Tianning Wu, Ruoying He, Ashesh Chattopadhyay,
• Abstract要約: 海洋内部は地球の気候を規制するが、in situの観測が限られているため、わずかに観測されている。 本研究では,高分解能な3次元海洋環境を極端に粗い表面データから再構築するための深度認識型生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ocean interior regulates Earth's climate but remains sparsely observed due to limited in situ measurements, while satellite observations are restricted to the surface. We present a depth-aware generative framework for reconstructing high-resolution three-dimensional ocean states from extremely sparse surface data. Our approach employs a conditional denoising diffusion probabilistic model (DDPM) trained on sea surface height and temperature observations with up to 99.9 percent sparsity, without reliance on a background dynamical model. By incorporating continuous depth embeddings, the model learns a unified vertical representation of the ocean states and generalizes to previously unseen depths. Applied to the Gulf of Mexico, the framework accurately reconstructs subsurface temperature, salinity, and velocity fields across multiple depths. Evaluations using statistical metrics, spectral analysis, and heat transport diagnostics demonstrate recovery of both large-scale circulation and multiscale variability. These results establish generative diffusion models as a scalable approach for probabilistic ocean reconstruction in data-limited regimes, with implications for climate monitoring and forecasting.
• Abstract（参考訳）: 海洋内部は地球の気候を規制するが、衛星観測は地表に限られているのに対して、その場での観測が限られているため、わずかに観測されている。 本研究では,高分解能な3次元海洋環境を極端に粗い表面データから再構築するための深度認識型生成フレームワークを提案する。 本手法では, 背景力学モデルに依存することなく, 最大99.9%の間隔で海面高度と温度観測を訓練した条件付き拡散確率モデル(DDPM)を用いる。 連続的な深度埋め込みを組み込むことで、モデルは海洋状態の統一された垂直表現を学び、以前は目に見えない深度に一般化する。 メキシコ湾に適用されたこの枠組みは、複数の深さにわたる地下温度、塩分濃度、速度場を正確に再構築する。 統計量,スペクトル分析,熱輸送診断による評価は,大規模循環と多変量の両方の回復を実証する。 これらの結果は, 気象モニタリングや予報に影響を及ぼすとともに, データ限定体制下での確率的海洋再生のスケーラブルなアプローチとして, 生成拡散モデルを確立した。

関連論文リスト

• Neural ocean forecasting from sparse satellite-derived observations: a case-study for SSH dynamics and altimetry data [25.95895236084694]
  本稿では,衛星高度データに基づく海面変動の短期予測のためのエンドツーエンドの深層学習フレームワークを提案する。 我々のフレームワークはOceanBenchイニシアチブ内で開発され、海洋機械学習の標準化評価を促進する。
  論文  参考訳（メタデータ） (2025-12-15T11:28:03Z)
• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• 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)
• Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
  本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。 このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。 以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-05-30T10:10:40Z)
• Generative Diffusion Model-based Downscaling of Observed Sea Surface Height over Kuroshio Extension since 2000 [11.444439142505756]
  本研究では,高分解能海面高度解析データをトレーニングするための最先端な生成拡散モデルを提案する。 このモデルは、約12kmの波長に対応する0.25oの解像度から1/16oまでの生衛星補間データを効果的にダウンスケールする。 以上の結果から,2004年以降の黒潮拡張地域では,250km未満の水平スケールでの渦運動エネルギーが著しく増加したことが示唆された。
  論文  参考訳（メタデータ） (2024-08-22T13:26:19Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)

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。