論文の概要: Impact of geophysical fields on Deep Learning-based Lagrangian drift simulations
- arxiv url: http://arxiv.org/abs/2604.03292v1
- Date: Fri, 27 Mar 2026 09:34:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-12 18:41:08.59546
- Title: Impact of geophysical fields on Deep Learning-based Lagrangian drift simulations
- Title（参考訳）: 深層学習に基づくラグランジアンドリフトシミュレーションにおける物理場の影響
- Authors: Daria Botvynko, Carlos Granero-Belinchon, Simon Van Gennip, Abdesslam Benzinou, Ronan Fablet,
- Abstract要約: DriftNetを用いたラグランジアンドリフトシミュレーションにおける異なるユーレリア地形入力場の影響を評価する。
完全な数値実験と現実の漂流機に基づく実験の2つの実験が実施された。
- 参考スコア（独自算出の注目度）: 5.259449320014772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We assess the influence of different Eulerian geophysical input fields on Lagrangian drift simulations using DriftNet, a learning-based method designed to simulate Lagrangian drift on the sea surface. Two experiments are conducted: a fully numerical experiment (Benchmark B1) and a real-world drifters-based experiment (Benchmark B2). Both experiments are performed in two regions with different ocean dynamics: North East Pacific and Gulf Stream regions. The performance of DrifNet is evaluated with three different metrics: separation distance between simulated and ground-truth trajectories, the normalized cumulative Lagrangian separation and the autocorrelation of Lagrangian velocities. In both regions, results from B1 show that combining assimilated sea surface currents (SSC) with fully observed sea surface height (SSH) leads to greatest improvement in trajectory simulation. This configuration reduces separation distance by over 50\% and significantly decreases normalized cumulative Lagrangian separation and metrics related to velocities autocorrelation functions compared to the baseline using SSC alone. On the other hand, the inclusion of sea surface temperature (SST) either alone or in combination with SSC generally degrades performance. In B2, using satellite-derived SSH, Ekman and winds velocities improves surface drifters trajectories simulation, particularly in the North East Pacific. While the satellite-derived SST in combination with reanalysis-based SSC configuration leads to better trajectories simulation in the Gulf Stream. Overall, we highlight the added value of combining multiple geophysical fields to improve Lagrangian drift simulation on both numerical and real-world experiments.
- Abstract（参考訳）: DriftNetは, 海面上のラグランジアンドリフトをシミュレートする学習手法であり, 異なるユーレリア地形入力場がラグランジアンドリフトシミュレーションに与える影響を評価する。
完全数値実験(ベンチマークB1)と実世界ドリフト実験(ベンチマークB2)の2つの実験が実施された。
どちらの実験も、北太平洋とガルフストリームの2つの海域で実施されている。
DrifNetの性能は、模擬軌道と接地軌道の分離距離、正規化された累積ラグランジアン分離、ラグランジアン速度の自動相関の3つの異なる指標で評価される。
両領域とも,同相海面電流(SSC)と完全に観測された海面高さ(SSH)を組み合わせることにより,軌道シミュレーションにおいて最大の改善が得られた。
この構成は、分離距離を50\%以上減少させ、正規化された累積ラグランジアン分離と速度自己相関関数に関連するメトリクスをSSCのみを用いたベースラインと比較して著しく減少させる。
一方,海面温度(SST)は単独でも,SSCと組み合わせても性能が低下する。
B2では、衛星由来のSSH、エックマン、風速を用いて、特に北東太平洋における地表ドリフトの軌道シミュレーションを改善する。
衛星由来のSSTと再分析に基づくSSC構成が組み合わさって、ガルフストリームでの軌道シミュレーションを改善する。
全体として、数値実験と実世界の実験の両方において、ラグランジアンドリフトシミュレーションを改善するために、複数の物理場を組み合わせることの付加価値を強調した。
関連論文リスト
- HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。
既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
論文 参考訳（メタデータ） (2026-03-16T17:58:33Z) - Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。
表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。
ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文 参考訳（メタデータ） (2025-07-26T21:28:25Z) - NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。
我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。
NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
論文 参考訳（メタデータ） (2025-05-27T10:54:40Z) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - Training neural mapping schemes for satellite altimetry with simulation
data [6.591483977714996]
深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。
リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。
本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
論文 参考訳（メタデータ） (2023-09-19T14:32:25Z) - Deep learning for Lagrangian drift simulation at the sea surface [4.691925709249742]
我々は、ラグランジアン力学のユーレリア・フォッカー・プランク表現にインスパイアされた、DriftNetと呼ばれる新しいアーキテクチャを導入する。
ドリフトネットの完全な畳み込みの性質から、モデル由来の速度を実際のドリフト軌道で診断する方法を探る。
論文 参考訳（メタデータ） (2022-11-17T14:41:11Z) - Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。
本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。
これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。
我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
論文 参考訳（メタデータ） (2022-09-27T06:00:52Z) - Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。
これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-11-17T18:45:55Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。