論文の概要: Incomplete Observations Boost Evolutionary Performance in Ocean Modeling
- arxiv url: http://arxiv.org/abs/2607.19147v1
- Date: Tue, 21 Jul 2026 14:39:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.455967
- Title: Incomplete Observations Boost Evolutionary Performance in Ocean Modeling
- Title（参考訳）: 不完全観測により海洋モデルにおける進化的性能が向上する
- Abstract要約: 本稿では,スパース観測と雑音観測から直接学習できる生成状態空間モデルと最適化フレームワークを提案する。
CMIP6シミュレーションデータとFY-3D衛星データの実験は、高忠実度復元と正確な予測を実証している。
- 参考スコア（独自算出の注目度）: 34.327691668548255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven methods have revolutionized ocean modeling, yet current approaches rely heavily on complete reanalysis datasets, imposing computational constraints and limiting model performance to that of the training data. Here, we present a generative state-space model and an optimization framework that enable learning directly from sparse and noisy observations. The model is essentially a hidden Markov model with a continuous state space, where oceanic physical quantities are treated as hidden states and measurements as observations, enabling a unified representation of ocean fields and observational data. Both the initial-state and state-transition modules are implemented as neural networks to capture the complexity and temporal evolution of ocean states, while the emission module is formulated as a masked Gaussian distribution. To train the model from sparse observations, we derive an optimization framework based on the expectation-maximization (EM) algorithm. The framework alternately reconstructs high-fidelity ocean fields via Langevin dynamics and optimizes deep neural networks to capture temporal evolution. Theoretical analysis shows that the framework maximizes the likelihood of observations under the generative model. For efficiency, we assume that ocean-state evolution follows a stationary, ergodic, and Markovian stochastic process and adopt only length-two state sequences during optimization. Experiments on CMIP6 simulation data and FY-3D satellite data demonstrate high-fidelity reconstruction and accurate prediction, showing that sparse observations can directly improve the model's representation of ocean-state dynamics. This work offers a scalable pathway for next-generation Earth system models to learn directly from sparse, incomplete real-world observations.
- Abstract（参考訳）: データ駆動型手法は海洋モデリングに革命をもたらしたが、現在のアプローチは完全な再分析データセットに大きく依存しており、計算の制約を課し、モデルのパフォーマンスをトレーニングデータに制限している。
本稿では,スパース観測と雑音観測から直接学習できる生成状態空間モデルと最適化フレームワークを提案する。
このモデルは本質的には連続的な状態空間を持つ隠れマルコフモデルであり、海洋物理量は隠れ状態として扱われ、観測として測定され、海洋フィールドと観測データの統一的な表現を可能にする。
初期状態および状態遷移モジュールは、海洋状態の複雑さと時間的進化を捉えるためにニューラルネットワークとして実装され、一方、放出モジュールはマスク付きガウス分布として定式化されている。
モデルをスパース観測からトレーニングするために、予測最大化(EM)アルゴリズムに基づく最適化フレームワークを導出する。
このフレームワークはランゲヴィン力学を介して高忠実度海洋フィールドを交互に再構築し、深層ニューラルネットワークを最適化して時間的進化を捉える。
理論的解析は、この枠組みが生成モデル下での観測可能性を最大化することを示している。
効率性のために、海洋状態の進化は定常的、エルゴード的、マルコフ的確率過程に従っており、最適化中に2つの状態列のみを採用すると仮定する。
CMIP6シミュレーションデータとFY-3D衛星データによる実験では、高忠実度復元と正確な予測が示され、スパース観測により海洋状態のダイナミクスの表現が直接的に改善されることが示された。
この研究は、次世代の地球系モデルがスパースで不完全な現実世界の観測から直接学ぶためのスケーラブルな経路を提供する。
関連論文リスト
- 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) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Modeling Spatial Extremes using Non-Gaussian Spatial Autoregressive Models via Convolutional Neural Networks [14.37149160708975]
本稿では,空間的自己回帰モデリングフレームワークを提案する。このフレームワークは,位置とその近傍の観測を独立確率変数にマッピングする。
特に,SARモデルと一般化極値分布の革新について検討し,中心格子位置での観測と近傍の観測を組み合わせた。
本モデルを用いて,ERA-Interim-driven Weather Research and Forecasting (WRF) シミュレーションによる年間降水量の分析を行った。
論文 参考訳（メタデータ） (2025-05-05T21:26:02Z) - Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。
SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。
本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
論文 参考訳（メタデータ） (2025-01-23T02:18:13Z) - FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。
FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。
本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
論文 参考訳（メタデータ） (2025-01-13T05:03:41Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳（メタデータ） (2023-07-12T15:34:10Z) - 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) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - Variational Data Assimilation with a Learned Inverse Observation
Operator [46.92601529878414]
システムの最適化性を改善するために観測データをどのように使用できるかを示す。
これをカオスシステム全体でよりよく振る舞うために利用します。
論文 参考訳（メタデータ） (2021-02-22T17:16:01Z)
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。