論文の概要: Deep Learning-Based Statistical Downscaling of Sea Surface Temperature Using a Residual Corrective Neural Network
- arxiv url: http://arxiv.org/abs/2608.10022v1
- Date: Sun, 09 Aug 2026 11:30:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.75804
- Title: Deep Learning-Based Statistical Downscaling of Sea Surface Temperature Using a Residual Corrective Neural Network
- Title（参考訳）: 残差補正ニューラルネットワークを用いた深層学習に基づく海面温度の統計的ダウンスケーリング
- Abstract要約: 本研究では,U-Netを用いた新しい深層学習フレームワークを提案する。
この枠組みはオーストラリア西海岸沿いのSSTを効率的にダウンスケールさせる。
この計算効率と精度のバランスは、沿岸影響評価や海洋生態系研究の応用に役立つ。
- 参考スコア（独自算出の注目度）: 1.9345024654790872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The large-scale oceanic and atmospheric forecasts provided by global climate models typically lack sufficient resolution to accurately capture the response of the coastal ocean to atmospheric forcing and coastal circulation that drive fine-scale SST variability. Dynamical downscaling is computationally prohibitive, when applied to extensive coastlines, predictive ensembles, or long time periods. Therefore, this work presents a statistical downscaling of sea surface temperature (SST) from the seasonal coupled ocean-atmosphere forecast system (ACCESS-S2) using machine learning techniques. This study proposes a novel deep learning framework that uses a U-Net to generate an initial high-resolution SST estimate, which is subsequently refined using a residual corrective approach. The target SST fields are derived from the Regional Ocean Modeling System (ROMS). This two step approach called Residual Corrective Neural Network (RCNN) progressively refines initial U-Net predictions by incorporating dynamically scaled residuals at each step, enabling accurate capture of broad patterns and fine-grained features such as eddies and fronts. We also introduce a custom loss-assisted RCNN variant to improve performance during extreme events, which may be absent from training data due to climate-driven shifts in SST extremes. The framework efficiently downscales SST along the west coast of Australia. A 2011 marine heatwave case study shows that the RCNN improves ACCESS-S2 SST predictions by increasing horizontal resolution from 25 km to 2 km, enabling identification of fine-scale anomalies unresolved in the ACCESS-S2 dataset. This balance between computational efficiency and accuracy supports applications in coastal impact assessment and marine ecosystem studies.
- Abstract（参考訳）: 地球規模の気候モデルによって提供される大規模な海洋・大気予報は、大洋の大気強制と沿岸循環に対する応答を正確に捉えるのに十分な解像度を欠いている。
動的ダウンスケーリングは、広範囲の海岸線、予測アンサンブル、長期の期間に適用する場合、計算的に禁止される。
そこで本研究では, 季節連成海洋大気予報システム(ACCESS-S2)から, 機械学習技術を用いて海面温度(SST)を統計的に下降させる手法を提案する。
本研究では,U-Netを用いた新しいディープラーニングフレームワークを提案する。
ターゲットSSTフィールドは、地域海洋モデリングシステム(ROMS)から派生している。
Residual Corrective Neural Network(RCNN)と呼ばれるこの2ステップのアプローチは、各ステップに動的にスケールされた残差を組み込むことで、初期U-Net予測を段階的に洗練し、広いパターンの正確なキャプチャと、エディやフロントのようなきめ細かい機能を実現する。
また,SST極度の気候変化によるトレーニングデータに欠落する可能性のある,極端事象時のパフォーマンス向上のために,独自の損失支援RCNN変異も導入した。
この枠組みはオーストラリア西海岸沿いのSSTを効率的にダウンスケールさせる。
2011年の海洋熱波ケーススタディでは、RCNNは水平分解能を25kmから2kmに高め、ACCESS-S2データセットで未解決の微細な異常の特定を可能にすることでACCESS-S2 SST予測を改善した。
この計算効率と精度のバランスは、沿岸影響評価や海洋生態系研究の応用に役立つ。
関連論文リスト
- PCA-Enhanced Adaptive NVAR Framework for High-Resolution Sea Surface Temperature Forecasting in the East Sea [0.2446672595462589]
従来の数値モデルは信頼性のある予測を提供するが、高価であり、しばしばリアルタイムの予測には適さない。
本稿では,Adaptive Next-Generation Reservoir Computingフレームワークについて述べる。
本稿では,Singular Value Decomposition(Singular Value Decomposition)と組み合わせて,東海におけるSSTのダイナミクスを予測できる低次予測フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-10T14:34:13Z) - An Adaptive Spatiotemporal Clustering Framework for 3D Ocean Subsurface Temperature Reconstruction [31.24880527218282]
本研究では,海洋表面温度(OST)の構造的依存性と時間的変動パターンの両方を捉える適応的枠組みを提案する。
このフレームワークを様々なディープラーニングモデルに組み込むことで、OSTフィールドをグローバルスケールで正確に再構築することができる。
実験により,本フレームワークを用いた複数の深層学習手法が元の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-04-21T09:32:37Z) - OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。
先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
論文 参考訳（メタデータ） (2026-01-12T10:20:43Z) - 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) - OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。
最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
論文 参考訳（メタデータ） (2025-07-31T02:06:03Z) - 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) - Deep Learning Weather Models for Subregional Ocean Forecasting: A Case Study on the Canary Current Upwelling System [0.0]
本研究は,当初グローバル気象予報のために開発されたグラフニューラルネットワークを応用し,地域の海洋予測を改善することを目的としている。
このモデルは衛星データを用いて訓練され、海洋力学を捉える際の性能を評価するために最先端の物理海洋モデルと比較される。
以上の結果から, 深層学習モデルは, 高度化に課題があるにもかかわらず, 従来の手法を超越していることがわかった。
論文 参考訳（メタデータ） (2025-05-30T10:10:40Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-09T15:13:26Z) - OceanNet: A principled neural operator-based digital twin for regional oceans [0.0]
本研究は、海洋循環のための原理的ニューラルオペレーターベースのデジタルツインであるOceanNetを紹介する。
オーシャンネットは北西大西洋西部境界流(ガルフストリーム)に適用される
論文 参考訳（メタデータ） (2023-10-01T23:06:17Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z)
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。