論文の概要: Physics-Guided Spatiotemporal Learning for Coastal Wave Peak Period Estimation from Video

• arxiv url: http://arxiv.org/abs/2606.13302v1
• Date: Thu, 11 Jun 2026 12:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.800437
• Title: Physics-Guided Spatiotemporal Learning for Coastal Wave Peak Period Estimation from Video
• Title（参考訳）: 物理誘導時空間学習による映像からの沿岸波ピーク周期推定
• Authors: Abubakar Hamisu Kamagata, Dharm Singh Jat, Attlee Munyaradzi Gamundani, Abhishek Srivastava, Paramasivam Saravanakumar,
• Abstract要約: このフレームワークは、自動時間変動に基づく関心領域検出、多段階Sim-to-Real変換学習、および物理インフォームド正規化を組み合わせたものである。 提案フレームワークは,長期間の沿岸波モニタリングのための物理誘導型ビデオベース深層学習システムの実現可能性を示す。
• 参考スコア（独自算出の注目度）: 0.273483625670596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wave parameters in the nearshore are crucial for coastal engineering, shoreline protection, marine hazard assessment, and coastal management for climate resilience. Traditional monitoring systems like buoys and radar platforms offer accurate monitoring but can have high installation and maintenance expenses and limited spatial coverage. Passive ocean monitoring using video has been achieved by leveraging deep learning, however, many methods are not physically interpretable, feasible, and validated for oceanography. In thiswork, a Physics-Guided Deep Spatiotemporal Learning Framework for direct estimation of nearshore wave peak periods from passive coastal video stream is proposed. The framework combines automated temporal-variance based region-of-interest detection, multi-stage Sim-to-Real transfer learning, and physics-informed regularization to enhance the predictive accuracy and physical consistency. A variety of spatiotemporal architectures were assessed, such as transformer-based and recurrent-convolutional ones, alongside synthetic pretraining,silver-label adaptation, and expert fine-tuning. The results show that transformer-based architectures outperformed in terms of the accuracy of the instantaneous prediction, while lightweight recurrent-convolutional architectures achieved higher temporal stability and operational oceanographic skill. Ablation studies also demonstrated the benefits of physics-guided regularization in terms of trend-following consistency, and physically implausible predictions. Explainability auditing also helped to focus attention in hydrodynamically active surf-zone regions and showed good agreement with the physically derived wave propagation behavior. In general, the proposed framework shows the promise of physics-guided video-based deep learning systems for long-term coastal wave monitoring that are cost-efficient and operationally feasible.
• Abstract（参考訳）: 海岸付近の波動パラメータは、沿岸技術、海岸線保護、海洋危険度評価、気候回復のための沿岸管理に不可欠である。 ブイやレーダープラットフォームのような従来の監視システムは正確な監視を提供するが、設置とメンテナンスの費用が高く、空間範囲は限られている。 ビデオを用いた受動的海洋モニタリングは深層学習を活用することで達成されているが、多くの手法は物理的に解釈可能ではなく、海洋学で検証可能である。 本研究では, 物理誘導型深部時空間学習フレームワークを提案する。 このフレームワークは、自動時間変動に基づく関心領域検出、多段階Sim-to-Real変換学習、および物理インフォームド正規化を組み合わせて、予測精度と物理的整合性を高める。 トランスフォーマーベースやリカレント畳み込み型アーキテクチャ、合成事前学習、銀ラベル適応、エキスパート微調整など、様々な時空間アーキテクチャが評価された。 その結果, 変圧器をベースとしたアーキテクチャは, 瞬時予測の精度で性能が向上し, 軽量の繰り返し畳み込み型アーキテクチャは時間的安定性と運用上の海洋技術に優れていた。 アブレーション研究はまた、トレンド追従整合性や物理的に予測不能な予測の観点から、物理学誘導正則化の利点を実証した。 説明可能性監査は, 動的に活動するサーフゾーン領域に注意を向けることにも役立ち, 物理的に導出された波動伝播挙動と良好な一致を示した。 提案手法は, 低コストで運用可能な長期沿岸波モニタリングのための物理誘導型映像深層学習システムの実現を実証するものである。

関連論文リスト

• Predictive Modeling of Maritime Radar Data Using Transformer Architecture [1.0116530711210054]
  変圧器アーキテクチャはAISに基づく軌道予測に革命をもたらし、ソナーフレーム予測の実現可能性を示した。 文献ではソナー検出のためのトランスフォーマーに基づくフレーム予測が実証されているが,従来の作業ではトランスフォーマーを用いた海上レーダフレーム予測は行われていない。
  論文  参考訳（メタデータ） (2025-12-18T21:52:43Z)
• Observation-driven correction of numerical weather prediction for marine winds [14.58447529631976]
  我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。 我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。 モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
  論文  参考訳（メタデータ） (2025-12-03T09:39:44Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• Forecasting Seismic Waveforms: A Deep Learning Approach for Einstein Telescope [46.4942794596355]
  我々は、アインシュタイン望遠鏡のような将来の重力波検出器の文脈において、3成分地震波形を予測する変圧器に基づくモデルであるtextitSeismoGPTを紹介した。 波形データから直接時間的および空間的依存関係を学習することにより、SeesmoGPTは現実的な地動パターンを捉え、正確な短期予測を提供する。
  論文  参考訳（メタデータ） (2025-09-25T19:16:13Z)
• Storm Surge in Color: RGB-Encoded Physics-Aware Deep Learning for Storm Surge Forecasting [0.5242869847419834]
  災害予報は沿岸災害に備える上で重要な役割を担っているが、既存の機械学習アプローチでは空間適応性に制限があることが多い。 本研究では,非構造水位場を構造化赤緑(RGB)符号化表現に投影する新しい手法を提案する。 提案手法は,テキサス州沿岸の複数の地域において48時間連続予測性能を示し,他の沿岸地域に対して強い空間適応性を示す。
  論文  参考訳（メタデータ） (2025-06-26T19:56:30Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)

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。