論文の概要: K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data

• arxiv url: http://arxiv.org/abs/2604.09922v1
• Date: Fri, 10 Apr 2026 21:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.749343
• Title: K-STEMIT: Knowledge-Informed Spatio-Temporal Efficient Multi-Branch Graph Neural Network for Subsurface Stratigraphy Thickness Estimation from Radar Data
• Title（参考訳）: K-STEMIT:レーダデータを用いた地下層厚推定のための知識インフォームド時空間効率多分岐グラフニューラルネットワーク
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: K-STEMITは、知識インフォームド、効率的、マルチブランチ・テンポラルグラフニューラルネットワークである。 これは、モデル大気地域物理気象モデルから同期された物理データを含んでいる。 地上効率を保ちながら、常に最高精度を達成している。
• 参考スコア（独自算出の注目度）: 1.6114012813668932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subsurface stratigraphy contains important spatio-temporal information about accumulation, deformation, and layer formation in polar ice sheets. In particular, variations in internal ice layer thickness provide valuable constraints for snow mass balance estimation and projections of ice sheet change. Although radar sensors can capture these layered structures as depth-resolved radargrams, convolutional neural networks applied directly to radar images are often sensitive to speckle noise and acquisition artifacts. In addition, purely data-driven methods may underuse physical knowledge, leading to unrealistic thickness estimates under spatial or temporal extrapolation. To address these challenges, we develop K-STEMIT, a novel knowledge-informed, efficient, multi-branch spatio-temporal graph neural network that combines a geometric framework for spatial learning with temporal convolution to capture temporal dynamics, and incorporates physical data synchronized from the Model Atmospheric Regional physical weather model. An adaptive feature fusion strategy is employed to dynamically combine features learned from different branches. Extensive experiments have been conducted to compare K-STEMIT against current state-of-the-art methods in both knowledge-informed and non-knowledge-informed settings, as well as other existing methods. Results show that K-STEMIT consistently achieves the highest accuracy while maintaining near-optimal efficiency. Most notably, incorporating adaptive feature fusion and physical priors reduces the root mean-squared error by 21.01% with negligible additional cost compared to its conventional multi-branch variants. Additionally, our proposed K-STEMIT achieves consistently lower per-year relative MAE, enabling reliable, continuous spatiotemporal assessment of snow accumulation variability across large spatial regions.
• Abstract（参考訳）: 地表面層序は極性氷床の堆積, 変形, 層形成に関する重要な時空間情報を含む。 特に, 内部氷層厚の変動は, 積雪質量収支の推定と氷床変化の予測に重要な制約を与える。 レーダーセンサーは、これらの層状構造を深さ分解レーダーグラムとして捉えることができるが、レーダー画像に直接適用された畳み込みニューラルネットワークは、しばしばスペックルノイズや取得アーティファクトに敏感である。 さらに、純粋にデータ駆動の手法は物理的知識を過小評価し、空間外挿や時間外挿の非現実的な厚さ推定に繋がる可能性がある。 これらの課題に対処するために,空間学習のための幾何学的枠組みと時間的畳み込みを組み合わせた,知識に富んだ多分岐時空間グラフニューラルネットワークK-STEMITを開発した。 適応的な特徴融合戦略は、異なるブランチから学んだ特徴を動的に組み合わせるために用いられる。 K-STEMITと現在の最先端の手法を知識インフォームと非知識インフォームドの両方で比較する大規模な実験が実施されている。 その結果, K-STEMITは最適に近い効率を維持しつつ, 常に高い精度を達成できることがわかった。 特筆すべきは、適応的な特徴融合と物理的プリエントを組み込むことで、従来のマルチブランチの変種と比較して、ルート平均二乗誤差を無視できる追加コストで21.01%削減することである。 さらに,提案したK-STEMITは年平均相対値を一定に低くし,大きな空間領域にわたる積雪の時空間変動の信頼性と連続的な時空間評価を可能にする。

関連論文リスト

• MAUNet-Light: A Concise MAUNet Architecture for Bias Correction and Downscaling of Precipitation Estimates [0.47248250311484113]
  本研究は, 偏差補正と降水ダウンスケーリングのための軽量ニューラルネットワークアーキテクチャの開発を目的とする。 提案するMAUNet-Lightモデルは,訓練されたMAUNetから知識を伝達することによって開発された。
  論文  参考訳（メタデータ） (2026-02-13T14:56:19Z)
• PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
  本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。 このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
  論文  参考訳（メタデータ） (2026-01-23T00:43:51Z)
• ST-GRIT: Spatio-Temporal Graph Transformer For Internal Ice Layer Thickness Prediction [0.7673339435080445]
  レーダ画像における内部氷層の厚さと変動性は、積雪の蓄積を監視し、氷のダイナミクスを評価し、気候モデルにおける不確実性を減らすために重要である。 本研究では, 浅氷層と深氷層の関係を把握し, レーダの処理を目的として, 氷層厚の時間グラフを作成した。 ST-GRITは、ルート平均二乗誤差を低くすることで、現在の最先端手法や他のベースライングラフニューラルネットワークを一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-10T03:06:01Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
  そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。 格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。 トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
  論文  参考訳（メタデータ） (2023-09-11T21:14:55Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい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拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。