Fugu-MT 論文翻訳(概要): Transferable Dual-Stream Representations for Mesoscale-Preserving Sea Surface Temperature Downscaling

論文の概要: Transferable Dual-Stream Representations for Mesoscale-Preserving Sea Surface Temperature Downscaling

arxiv url: http://arxiv.org/abs/2608.04230v1
Date: Tue, 04 Aug 2026 21:11:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-06 14:48:43.642204
Title: Transferable Dual-Stream Representations for Mesoscale-Preserving Sea Surface Temperature Downscaling
Title（参考訳）: メソスケール保存型海面温度ダウンスケーリングのための伝達可能なデュアルストリーム表現
Abstract要約: EddyFlowは、キロスケールの海面温度ダウンスケーリングのための表現学習フレームワークである。予測精度、スケール依存構造、地域一般化のバランスをとる。
参考スコア（独自算出の注目度）: 0.28819200874187073
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning models for scientific spatio-temporal downscaling often minimize reconstruction error while failing to preserve physically meaningful multi-scale structure. For sea surface temperature prediction, this can yield outputs that are numerically plausible yet overly smooth, missing mesoscale variability critical to regional ocean dynamics. Existing methods often focus on pixel-wise objectives or single-context conditioning, which limits their ability to preserve spectral fidelity and generalize across regions. To address this, we propose EddyFlow, a representation learning framework for kilometer-scale sea surface temperature downscaling that balances predictive accuracy, scale-dependent structure, and regional generalization. EddyFlow is trained on the Gulf of St.~Lawrence and evaluated in zero-shot and few-shot settings on the Bay of Fundy and the Gulf of Mexico. EddyFlow demonstrates that physics-informed representation learning reduces zero-shot RMSE by 21%, achieves up to 85.6% skill relative to persistence on unseen domains, and maintains near-ideal spectral fidelity with a PSD ratio of $\approx 1.00$.
Abstract（参考訳）: 科学的時空間ダウンスケーリングのための深層学習モデルは、物理的に意味のある多スケール構造を維持するのに失敗しながら、再構成エラーを最小限にすることが多い。海面温度予測では、これは数値的に可塑性であるが過度に滑らかであり、地域の海洋力学に不可欠なメソスケールの変動が欠如している出力が得られる。既存の方法は、しばしばピクセル単位の目的や単一コンテキスト条件に焦点を合わせ、スペクトルの忠実さを保ち、領域をまたいで一般化する能力を制限する。そこで本稿では, 予測精度, スケール依存構造, 地域一般化のバランスをとる, 数キロスケールの海面温度ダウンスケーリングのための表現学習フレームワークであるEddyFlowを提案する。エディフローはセントジョン湾で訓練されている。レイエンス(Lawrence)は、ファンディ湾とメキシコ湾において、ゼロショットと数ショットの設定で評価された。 EddyFlowは、物理インフォームド表現学習はゼロショットRMSEを21%減らし、未確認領域の持続性に対して85.6%のスキルを達成し、PSD比が$\approx 1.00$でほぼ理想のスペクトル忠実性を維持することを示した。

関連論文リスト

Tropospheric temperature and humidity profile retrieval from Meteosat Flexible Combined Imager based on deep learning [41.113886294153346]
Meteosat Third Generation (MTG) Flexible Combined Imager (FCI)は、対流圏温度と湿度分布の新しい機会を提供する。入力として予測プロファイルを使わずにFCIから全天球・湿度分布を抽出するための空間認識型深層学習フレームワークを開発した。
論文参考訳（メタデータ） (2026-08-26T12:16:38Z)
OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation [8.050783873604173]
OceanLightは、非構造化メッシュトークン化とグラフニューラルネットワーク(GNN)バックボーンを組み合わせた、効率的なグローバルオーシャン予測フレームワークである。 OceanLightは、運用数値分析と最先端AIベースのモデルの両方を超越した、ポイントワイズ予測精度と運動エネルギースペクトル忠実度を達成する。我々の非構造化メッシュ表現は、スケーラブルなデータ駆動海洋学のための一般化可能なパラダイムを確立します。
論文参考訳（メタデータ） (2026-08-17T04:03:30Z)
Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文参考訳（メタデータ） (2026-07-08T18:14:24Z)
Physics-Constrained Adaptive Flow Matching for Climate Downscaling [20.06043414924976]
生成的ダウンスケーリングモデルとして,物理制約付き適応フローマッチング(PC-AFM)を提案する。我々は、中央ヨーロッパ気候データに基づいてモデルをトレーニングし、それを10回のダウンスケールタスクで評価し、2つの保留気候領域における一般化を検証した。以上の結果から,物理整合性は実世界のアプリケーションに生成的なダウンスケーリングモデルをデプロイするための現実的な要件であることが示唆された。
論文参考訳（メタデータ） (2026-04-03T21:09:13Z)
High-resolution probabilistic estimation of three-dimensional regional ocean dynamics from sparse surface observations [0.0]
海洋内部は地球の気候を規制するが、in situの観測が限られているため、わずかに観測されている。本研究では,高分解能な3次元海洋環境を極端に粗い表面データから再構築するための深度認識型生成フレームワークを提案する。
論文参考訳（メタデータ） (2026-04-03T08:10:55Z)
Analytical Logit Scaling for High-Resolution Sea Ice Topology Retrieval from Weakly Labeled SAR Imagery [1.6984114279983211]
高解像度の海氷マッピングは北極航法と気候モニタリングに不可欠である。粗い地域レベルの多角形(弱いラベル)のみを提供する運用用氷チャート本研究では,Sentinel-1 SAR と AMSR-2 を融合した弱教師付き深層学習パイプラインを提案する。
論文参考訳（メタデータ） (2026-03-13T20:21:33Z)
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)
Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
論文参考訳（メタデータ） (2025-10-29T14:30:12Z)
Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
論文参考訳（メタデータ） (2025-07-30T08:43:48Z)
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)
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)

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。