論文の概要: Njord: A Probabilistic Graph Neural Network for Ensemble Ocean Forecasting
- arxiv url: http://arxiv.org/abs/2605.15470v1
- Date: Thu, 14 May 2026 23:17:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 21:22:26.125455
- Title: Njord: A Probabilistic Graph Neural Network for Ensemble Ocean Forecasting
- Title（参考訳）: Njord: オーシャン予測をアンサンブルするための確率論的グラフニューラルネットワーク
- Authors: Daniel Holmberg, Joel Oskarsson, Erik Larsson, Fredrik Lindsten, Teemu Roos,
- Abstract要約: 我々は,海洋予測のための確率論的データ駆動モデルであるNjordを紹介した。
Njordは、深層潜伏変数フレームワークとグラフニューラルネットワークアーキテクチャを組み合わせることで、予測ステップを単一のフォワードパスでサンプリングすることができる。
実験は、決定論的機械学習ベースラインと比較して、両方の領域で強い性能を示し、サンプルアンサンブル予測から不確実な推定を提供する。
- 参考スコア（独自算出の注目度）: 13.187565289543356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ocean dynamics are inherently chaotic, yet existing machine learning ocean models produce only deterministic forecasts. We introduce Njord, a probabilistic data-driven model for ocean forecasting, applicable to both global and regional domains. Njord combines a deep latent variable framework with a graph neural network architecture, enabling sampling each forecast step in a single forward pass. We apply Njord globally at 0.25° resolution and regionally to the Baltic Sea at 2 km resolution. To scale to these large ocean grids we introduce K-means cluster meshes that adapt to irregular sea surface geometry. Experiments demonstrate strong performance on both domains compared to deterministic machine learning baselines, while also providing uncertainty estimates from the sampled ensemble forecasts. On the global OceanBench benchmark, Njord achieves the lowest errors on average across upper-ocean variables when evaluated against real-world observations, with the largest improvements in surface temperature prediction.
- Abstract（参考訳）: 海洋力学は本質的にカオスであるが、既存の機械学習海洋モデルは決定論的予測のみを生成する。
我々は,海洋予測のための確率論的データ駆動モデルであるNjordを紹介した。
Njordは、深層潜伏変数フレームワークとグラフニューラルネットワークアーキテクチャを組み合わせることで、予測ステップを単一のフォワードパスでサンプリングすることができる。
我々はNjordを0.25°分解能で、バルト海に2km分解能で局所的に適用する。
これらの大きな海洋グリッドにスケールするために、不規則な海面形状に適応するK平均メッシュを導入する。
実験は、決定論的機械学習ベースラインと比較して、両方の領域で強い性能を示し、サンプルアンサンブル予測から不確実な推定を提供する。
グローバルなOceanBenchベンチマークでは、Njordは実世界の観測に対して評価した場合、平均して上海洋の変数に対して最も低い誤差を達成し、表面温度予測の最大の改善を達成している。
関連論文リスト
- Data-driven ensemble prediction of the global ocean [9.068376705993009]
FuXi-ONSは、地球上の最初の機械学習アンサンブル予測システムである。
海面温度、海面高度、地下温度、塩分濃度、海流について、グローバルな1グリッドで5日間の予測を提供する。
FuXi-ONSは物理的に構造化された摂動を学習し、長距離予測を安定させるために大気符号化モジュールを組み込む。
論文 参考訳（メタデータ） (2026-03-20T03:05:41Z) - Eddy-Resolving Global Ocean Forecasting with Multi-Scale Graph Neural Networks [0.0]
本研究では,10日間のグローバル予測のためのマルチスケールグラフニューラルネットワークに基づく海洋モデルを提案する。
このモデルはエンコーダ・プロセッサ・デコーダアーキテクチャを採用し、異なる解像度の2つの球面メッシュを使用して、海洋力学のマルチスケールの性質をよりよく捉えている。
論文 参考訳（メタデータ） (2026-01-19T07:11:08Z) - 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) - OceanForecastBench: A Benchmark Dataset for Data-Driven Global Ocean Forecasting [10.30935627811107]
データ駆動深層学習に基づく海洋予測モデルは、複雑な海洋力学を捉える大きな可能性を示している。
これらの進歩にもかかわらず、オープンソースのベンチマークがないため、一貫性のないデータの使用と評価方法が生まれている。
3つのコアコントリビューションを提供するベンチマークであるOceanForecastBenchを提案する。
論文 参考訳（メタデータ） (2025-11-24T03:57:43Z) - FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution [9.106159985605009]
FuXi-Oceanは、渦解像1/12deg空間解像度で6時間の予測を達成した最初のデータ駆動型大洋予報モデルである。
モデルアーキテクチャは、コンテキスト認識機能抽出モジュールと、スタックされた注目ブロックを用いた予測ネットワークを統合する。
FuXi-Oceanは、温度、塩分濃度、電流などの重要な変数を複数の深さにわたって予測する優れた技術を示している。
論文 参考訳（メタデータ） (2025-06-03T00:52:31Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - 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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - 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。