論文の概要: Depth-Resolved Coral Reef Thermal Fields from Satellite SST and Sparse In-Situ Loggers Using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2604.13131v1
• Date: Tue, 14 Apr 2026 00:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.222524
• Title: Depth-Resolved Coral Reef Thermal Fields from Satellite SST and Sparse In-Situ Loggers Using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた衛星SSTとスパースインサイトロガーからの深度分解されたサンゴ礁熱場
• Authors: Alzayat Saleh, Mostafa Rahimi Azghadi,
• Abstract要約: 本研究では,NOAAのサンゴ礁監視SSTと温度ロガーを疎結合した物理インフォームニューラルネットワーク(PINN)を提案する。 PINNは0.25-1.38CのRMSEを目に見えない深さで達成し、実験の90%で物理学のみの有限差ベースラインを上回っている。 これらの結果は,衛星SSTとスパースロガーの物理制約による融合により,ブラッシング評価を深度次元にまで拡張できることを示した。
• 参考スコア（独自算出の注目度）: 7.888806806417502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Satellite sea surface temperature (SST) products underpin global coral bleaching monitoring, yet they measure only the ocean skin. Corals inhabit depths from the shallows to beyond 20 metres, where temperatures can be 1-3°C cooler than the surface; applying satellite SST uniformly to all depths therefore overestimates subsurface thermal stress. We present a physics-informed neural network (PINN) that fuses NOAA Coral Reef Watch SST with sparse in-situ temperature loggers within the one-dimensional vertical heat equation, enforcing SST as a hard surface boundary condition and jointly learning effective thermal diffusivity (\k{appa}) and light attenuation (Kd). Validated across four Great Barrier Reef sites (30 holdout experiments), the PINN achieves 0.25-1.38°C RMSE at unseen depths. Under extreme sparsity (three training depths), the PINN maintains 0.27°C RMSE at the 5 metre holdout and 0.32°C at the 9.1 metre holdout, where statistical baselines collapse to >1.8°C; it outperforms a physics-only finite-difference baseline in 90% of experiments. Depth-resolved Degree Heating Day (DHD) profiles show that thermal stress attenuates with depth: at Davies Reef, DHD drops from 0.29 at the surface to zero by 10.7 metres, consistent with logger observations, while satellite DHD remains constant at 0.31 across all depths. However, the PINN underestimates absolute DHD at shallow depths because its smooth predictions attenuate the short-duration peaks that drive threshold exceedances; PINN DHD values should be interpreted as conservative lower bounds on depth-resolved stress. These results demonstrate that physics-constrained fusion of satellite SST with sparse loggers can extend bleaching assessment to the depth dimension using existing observational infrastructure.
• Abstract（参考訳）: 衛星海面温度(SST)製品は、地球規模のサンゴの漂白モニタリングを支えているが、海面のみを測定する。 サンゴは浅瀬から20メートルを超える深さに生息し、温度は地表よりも1-3°C以上で、衛星SSTを全深度に均一に適用すると地下の熱応力が過大評価される。 本研究では,NOAAのサンゴ礁監視SSTを1次元垂直熱方程式内に希薄な温度ロガーと融合させ,SSTを硬面境界条件とし,有効熱拡散率(\k{appa})と光減衰率(Kd)を共同学習する物理インフォームニューラルネットワーク(PINN)を提案する。 4つのグレートバリアリーフの地点(30のホールドアウト実験)で検証され、PINNは0.25-1.38°CのRMSEを目に見えない深さで達成している。 3度のトレーニング深度で、PINNは5メートルホールドアウトで0.27°C RMSE、9.1メートルホールドアウトで0.32°Cを維持し、統計ベースラインは1.8°Cに崩壊する。 DHD(Depth-resolved Degree Heating Day)プロファイルは、熱応力は深度とともに減衰することを示している:デイビーズリーフでは、DHDは地表で0.29から10.7メートルまで減少し、対数観測と一致し、衛星DHDは全深度にわたって0.31で一定である。 しかし、PINNは、その滑らかな予測が閾値超過を駆動する短周期ピークを減衰させるため、絶対DHDを浅い深さで過小評価し、PINN DHD値は深さ分解応力の保守的下限として解釈すべきである。 これらの結果から,衛星SSTとスパースロガーの物理制約による融合は,既存の観測基盤を用いた深度次元の漂白性評価を拡張できることが示唆された。

関連論文リスト

• High-resolution probabilistic estimation of three-dimensional regional ocean dynamics from sparse surface observations [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-03T08:10:55Z)
• Thermal Image Refinement with Depth Estimation using Recurrent Networks for Monocular ORB-SLAM3 [1.4027589547318842]
  熱画像から深度情報を抽出するパイプラインを提案する。 このネットワークは、軽量な畳み込みバックボーンと熱精錬ネットワーク(T-RefNet)を組み合わせて生熱入力を精錬する。 改良された熱画像と予測深度マップはORB-SLAM3に統合され、熱のみの局在を可能にする。
  論文  参考訳（メタデータ） (2026-03-16T09:02:57Z)
• PhysGS: Bayesian-Inferred Gaussian Splatting for Physical Property Estimation [42.995383993323635]
  本稿では,3次元ガウス格子のベイズ推定拡張であるPhysGSについて述べる。 オブジェクトスケール、屋内、屋外の現実世界のデータセット全体で、PhysGSは質量推定の精度を最大22.8%向上させる。 以上の結果から,PhysGSは空間的に連続した1つのフレームワークにおいて,3次元再構成,不確実性モデリング,物理的推論を統一することを示した。
  論文  参考訳（メタデータ） (2025-11-23T18:29:20Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations [3.344876133162209]
  都市熱波、干ばつ、陸熱波は、気候変動の文脈において、ますます困難を増している。 これらの現象を評価し理解するための最も重要な変数の1つはランドサーフェス温度(LST)である。 本研究では,ランドサット8号とテラMODIS号の時空間観測により,毎日10mの空間分解能でLST観測を行うFuseTenを提案する。
  論文  参考訳（メタデータ） (2025-07-30T23:04:16Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• Variational diffusion transformers for conditional sampling of supernovae spectra [49.1574468325115]
  本報告では,光曲線観測に基づく拡散モデルであるDiTSNe-Iaを導入し,SNe Iaのスペクトルの多様性を再現する訓練を行った。 放射光伝達シミュレーションによる現実的な光曲線とスペクトルの実験において、DiTSNe-Iaは広く使用されているSALT3テンプレートよりもはるかに正確な再構成を行う。
  論文  参考訳（メタデータ） (2025-05-05T22:52:32Z)
• Thermal Earth Model for the Conterminous United States Using an Interpolative Physics-Informed Graph Neural Network (InterPIGNN) [0.0]
  本研究では物理インフォームドグラフニューラルネットワークに基づくデータ駆動空間アルゴリズムを提案する。 このモデルは,地下温度,表面熱流,岩石熱伝導率を同時に予測することにより,3次元熱伝導則をほぼ満たすよう訓練された。
  論文  参考訳（メタデータ） (2024-03-15T01:55:07Z)
• Inversion of sea surface currents from satellite-derived SST-SSH synergies with 4DVarNets [32.84891435899833]
  老化のダイナミクスは,100km以下の水平スケールと10日以下の時間スケールにおいて重要であることが期待される。 ここでは、観測された海面トレーサ間の相乗効果をよりよく活用するための学習に基づくスキームについて検討する。 具体的には、4DVarNetスキームを開発し、トレーニング可能な観測値と変分データ同化の定式化を利用する。
  論文  参考訳（メタデータ） (2022-11-23T15:53:54Z)

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。