論文の概要: Zhinv: Real-time hub-height wind field reconstruction using only local sparse observations

• arxiv url: http://arxiv.org/abs/2607.25298v1
• Date: Tue, 28 Jul 2026 05:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.7178
• Title: Zhinv: Real-time hub-height wind field reconstruction using only local sparse observations
• Title（参考訳）: Zhinv: 局所スパース観測のみを用いた実時間ハブ高さ風力復元
• Abstract要約: Zhinvは、粗雑で不規則な観測をハブ高さの細い風場に織り込む、エンドツーエンドの再構築フレームワークである。 中国北東部、ヨーロッパ、東南アジアでの実験では、ジンギフは細い観測から、正確に、頑丈に、そして効率的に微乾燥した風場を再構築できることが示されている。
• 参考スコア（独自算出の注目度）: 37.50785323479216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high proportion of wind power connected to the grid places higher demands on fine-grained knowledge of regional wind fields. Since the wind information directly obtainable in actual operations is mostly sparse, discrete, and irregularly distributed local observations, it is difficult to directly meet the needs of tasks such as wind power regulation, wind resource assessment, and low-altitude environmental perception of continuous regional wind fields. Therefore, we propose Zhinv, an end-to-end reconstruction framework that directly weaves sparse and irregular observations into a fine-grid wind field at hub-height. Experiments in Northeast China, Europe, and Southeast Asia demonstrate that Zhinv can accurately, robustly, and efficiently reconstruct fine-grid wind fields from sparse observations, reducing the error by about 66% compared with Kriging. With local wind-power observations as input, Zhinv enables wind power centers to bypass NWP and complex assimilation processes, supporting direct and real-time wind resource assessment from locally available data.
• Abstract（参考訳）: グリッドに接続される風力の割合が高いと、地域風力の詳細な知識に対する需要が高くなる。 実運用で直接取得可能な風力情報は, 主に, 離散的, 不規則に分散した局地観測であるため, 風力規制, 風力資源評価, 連続する地域風場の低緯度環境認識といったタスクのニーズを満たすことは困難である。 そこで本稿では, 細粒度・不規則な観測を直接ハブ高さの風洞に織り込むエンド・ツー・エンドの再構築フレームワークであるZhinvを提案する。 中国北東部、ヨーロッパ、東南アジアでの実験では、ジンギフは細い観測から細粒の風場を正確に、堅牢に、かつ効率的に再構築でき、クリギングと比較して誤差を約66%削減できることを示した。 局所的な風力観測を入力として、Zhinvは風力発電センターがNWPや複雑な同化プロセスをバイパスし、局所的に利用可能なデータから直接的およびリアルタイムな風力資源評価をサポートする。

関連論文リスト

• WindINR: Latent-State INR for Fast Local Wind Query and Correction in Complex Terrain [47.92351540935845]
  WindINRは、連続した高分解能局所風速クエリとスパースオブザーバ補正のための潜在状態暗黙的ニューラルネットワーク表現フレームワークである。 WindINRは、静的な地形記述子、低解像度の背景場、および連続的なクエリ座標を高解像度の風状態にマッピングする。 WindINRは、完全なネットワークではなく、コンパクトな潜水状態だけを更新することで、局所的な高分解能風速推定を改善する。
  論文  参考訳（メタデータ） (2026-05-10T12:44:38Z)
• A Diffusion-Contrastive Graph Neural Network with Virtual Nodes for Wind Nowcasting in Unobserved Regions [6.777432359478496]
  本稿では,非観測領域に検索機能を拡張したディープグラフの自己教師型フレームワークを提案する。 このアプローチでは、拡散的でコントラッシブなグラフニューラルネットワークに"仮想ノード"を導入しています。 本研究では, 風速, ガスト, 方向の流速平均絶対誤差 (MAE) を, 回帰法と比較して30%～46%以上低減することを示した。
  論文  参考訳（メタデータ） (2026-04-11T19:25:33Z)
• Real Time Local Wind Inference for Robust Autonomous Navigation [0.0]
  この論文は、航空機に搭載されたセンサーと組込み飛行ハードウェアを用いて、空中ロボットが周囲の風の流れをリアルタイムで推論できるソリューションを提示している。 まず,高密度都市環境における正確な風速予測のための地形データの有効性,およびエネルギー効率と障害物回避を重視した運動計画のための学習風モデルの有用性,という2つの基本的課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2026-04-01T00:35:54Z)
• LWFNet: Coherent Doppler Wind Lidar-Based Network for Wind Field Retrieval [13.79413852521896]
  コヒーレントドップラー・ウィンドライダー(CDWL)は,高空間・時間分解能風速検出において最も適した手法であると考えられている。 スペクトルセントロイド推定のような伝統的な手法は、高高度での信頼性と正確な風の回収結果が得られないことが多い。 本稿では,Transformer と Kolmogorov-Arnold ネットワークをベースとした最初のLidar-based Wind Field (WF) 検索ニューラルネットワーク LWFNet を提案する。
  論文  参考訳（メタデータ） (2025-01-05T17:55:11Z)
• Modeling State Shifting via Local-Global Distillation for Event-Frame Gaze Tracking [61.44701715285463]
  本稿では,イベントデータとフレームデータの両方を用いた受動的視線推定の問題に取り組む。 我々は、現在の状態からいくつかの事前登録されたアンカー状態に移行する状態の定量化として、視線推定を再構成する。 大規模視線推定ネットワークを直接学習する代わりに,地域の専門家グループと学生ネットワークを連携させることにより,一般化能力の向上を図る。
  論文  参考訳（メタデータ） (2024-03-31T03:30:37Z)
• SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022 [44.31491259182412]
  本稿では,一意な空間風力予測データセットであるSDWPFを提案する。 このデータセットは風力タービンの空間分布と動的文脈因子を含む。 このデータセットを使用して、Baidu KDD Cup 2022をローンチし、現在のWPFソリューションの限界を調べます。
  論文  参考訳（メタデータ） (2022-08-08T18:38:45Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis [42.68418705495523]
  本稿では,地理的に分散した風力発電所の集合的発生の不確かさの予測に焦点をあてる。 近傍の風力発電場における部分的な観測から動的特徴を学習するための時空間モデルを提案する。 中国北西部の6つの風力発電所の実際のデータに基づく数値実験の結果,集合風力発電の不確実性セットは1つの風力発電所のそれよりも揮発性が少ないことがわかった。
  論文  参考訳（メタデータ） (2021-10-07T11:57:16Z)

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。