論文の概要: Physics-Informed Super-Resolution of Atmospheric Data

• arxiv url: http://arxiv.org/abs/2607.18877v1
• Date: Tue, 21 Jul 2026 09:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.379985
• Title: Physics-Informed Super-Resolution of Atmospheric Data
• Title（参考訳）: 物理インフォームによる大気データの超解像
• Abstract要約: 超解像データ再構成は、粗い観測から高分解能データを再構成するために用いられる。 超解像の大気データが地球系の基本的な物理をまだ満たしているかどうかは不明だ。 物理インフォームド・スーパー・リゾリューション(PISR)法を提案する。 PISRは、物理的整合性、SR精度、極端な事象の下流検出を改善することにより、再構成の忠実度を高める。
• 参考スコア（独自算出の注目度）: 27.280538552518806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of global warming, extreme events have become more frequent and intense, making their trustworthy detection and forecasting more important than ever. Yet, atmospheric observations lack sufficient spatial resolution, motivating atmospheric data downscaling as a way to reconstruct high-resolution data from coarse observations. This task is now being formulated as a super-resolution (SR) problem with machine learning methods featuring high efficiency. Nevertheless, it remains unclear whether the super-resolved atmospheric data still satisfies fundamental physics governing the Earth system, raising concerns about their trustworthiness in climate-related applications. In this work, we address this challenge by constraining SR models to respect hydrostatic primitive equations that represent multivariate atmospheric physics. First, we propose a Physics-Informed Super-Resolution (PISR) method involving multi-scale physics-informed objectives based on primitive equations. PISR favors the SR outputs to respect these equations and therefore naturally encodes inter-variable relationships. In addition, we propose a metric called Normalized Physical Consistency (NPC) derived from said primitive equations to measure the physical consistency of super-resolved data. Experiments on ERA5, CERRA, and COSMO demonstrate that PISR enhances the reconstruction fidelity by improving physical consistency, SR accuracy, and downstream detection of extreme events, as demonstrated by case studies in heatwaves and extreme winds.
• Abstract（参考訳）: 地球温暖化の文脈では、極端な出来事はより頻繁で激しいものとなり、信頼に値する発見と予測がこれまで以上に重要になっている。 しかし、大気観測には十分な空間分解能が欠けており、粗い観測から高解像度データを再構成する手段として大気データのダウンスケーリングを動機付けている。 このタスクは現在、高効率を特徴とする機械学習手法による超解像(SR)問題として定式化されている。 しかし、超高解像度の大気データが地球系の基本的な物理をまだ満たしているかどうかは不明であり、気候関連の応用における信頼性に関する懸念を提起している。 本研究では,多変量大気物理を表す静水圧原始方程式を尊重するためにSRモデルを制約することで,この問題に対処する。 まず, プリミティブ方程式に基づく多スケール物理インフォームド目標を含む物理インフォームド・スーパーリゾリューション(PISR)法を提案する。 PISRはこれらの方程式を尊重するためにSR出力を好んでおり、したがって自然に変数間の関係を符号化する。 さらに,超解データの物理的整合性を測定するために,上記の原始方程式から導出した正規化物理整合性(NPC)と呼ばれる計量を提案する。 ERA5、CERRA、COSMOの実験では、熱波や極風のケーススタディで示されるように、PISRは物理的整合性、SR精度、極端な事象の下流検出を改善することにより、復元の忠実度を高めることが示されている。

関連論文リスト

• Data Enrichment for Symbolic Regression Using Diffusion Models [4.817429789586127]
  SRモデルに対する物理誘導型潜在流動性拡散フレームワークを提案する。 本研究では, 熱伝導, 非圧縮性ナビエ・ストークス流, 移動単質量ニュートン重力ポテンシャルについて検討した。
  論文  参考訳（メタデータ） (2026-05-31T04:03:32Z)
• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• Phys-Diff: A Physics-Inspired Latent Diffusion Model for Tropical Cyclone Forecasting [37.26271867155396]
  Phys-Diffは物理学に着想を得た潜伏拡散モデルであり、潜伏した特徴をタスク固有成分に分解する。 実験は、グローバルデータセットと地域データセットで最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-02-28T07:37:02Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• 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)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Redefining Super-Resolution: Fine-mesh PDE predictions without classical simulations [0.0]
  PDEに基づく問題に適した超解像の新たな定義を提案する。 我々は、粗いグリッドシミュレーションデータを入力として使用し、詳細なグリッドシミュレーション結果を予測する。 本手法は,従来のシミュレーションを通したファイン・メッシュ・ソリューションの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-16T10:13:09Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Interpretable Data-driven Methods for Subgrid-scale Closure in LES for Transcritical LOX/GCH4 Combustion [0.0]
  本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。 特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
  論文  参考訳（メタデータ） (2021-03-11T00:54:50Z)

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。