論文の概要: Developing an Offshore Machine Learning Surface Layer Scheme

• arxiv url: http://arxiv.org/abs/2608.14935v1
• Date: Fri, 14 Aug 2026 23:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.128941
• Title: Developing an Offshore Machine Learning Surface Layer Scheme
• Title（参考訳）: オフショア機械学習表面層スキームの開発
• Authors: Susan Dettling, Sue Ellen Haupt, Thomas Brummet, Patrick Hawbecker, Branko Kosović, David John Gagne,
• Abstract要約: ニューラルネットワーク(NN)とランダムフォレスト(RF)の2つの機械学習手法が採用された。 運動量フラックスと熱フラックスの両方のモデルが作られた。 風速は運動量流束と熱流束の温度勾配に最も重要であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Turbulent fluxes between the surface and the atmosphere are typically parameterized using empirically fit relationships. Here we test machine learning techniques for fitting the relationship for the offshore environment. To do that, data from three offshore sites are used: the Martha's Vineyard Coastal Observatory (MVCO) air-sea interaction tower, the FINO1 research platform, and the CASPER-West FLIP research vessel deployed off the coast of California. Two machine learning methods were employed: Neural Networks (NN) and Random Forests (RF). Because the observational sites had towers with measurements at different levels, the vertical differences were input as gradients. Models were built for both momentum flux and heat flux. ML models trained at the individual sites were competitive with and in some cases, better than the physically-based COARE-3 model tailored to offshore fluxes. The heat flux ML models generally outperformed the physics-based parameterizations for most metrics, but the results were mixed for momentum flux, with only the site with the most training data (MVCO) producing results better than COARE-3. When the ML models from that site were applied to the other sites, results were degraded from using data from the site being tested. ML models built from data combined from the three sites generally showed improvements for the sites with less available training data. When assessing which variables were most important, the wind speed was most important for momentum flux and temperature gradient for heat flux.
• Abstract（参考訳）: 表面と大気の間の乱流フラックスは通常、経験的に適合した関係を用いてパラメータ化される。 ここでは、オフショア環境に適合する機械学習技術をテストする。 そのため、マーサズ・ヴィニヤード海岸観測所(MVCO)、FINO1研究プラットフォーム、カリフォルニア沖に配備されたCASPER-West FLIP研究船の3つのオフショアサイトからのデータが使用されている。 ニューラルネットワーク(NN)とランダムフォレスト(RF)の2つの機械学習手法が採用された。 観測地点は異なるレベルの塔を有していたため、垂直差は勾配として入力された。 運動量フラックスと熱フラックスの両方のモデルが作られた。 個々の場所で訓練されたMLモデルは競争力があり、場合によってはオフショアフラックスに合わせた物理的にベースとしたCOARE-3モデルよりも優れていた。 熱流束MLモデルは、ほとんどの指標において物理学に基づくパラメータ化よりも優れていたが、運動量フラックスに対して混合され、最も訓練データ(MVCO)が得られた場所のみがCOARE-3よりも良い結果を得た。 そのサイトからのMLモデルが他のサイトに適用されると、テスト中のサイトからのデータの使用から結果が劣化した。 3つのサイトから組み合わされたデータから構築されたMLモデルは、一般的に、トレーニングデータが少ないサイトの改善を示している。 どの変数が最も重要かを評価する際、風速は運動量流束と熱流束の温度勾配に最も重要であった。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• UniFlow: Towards Zero-Shot LiDAR Scene Flow for Autonomous Vehicles via Cross-Domain Generalization [46.6187296172395]
  我々は多種多様なLiDARセンサに転送する一般的な動きの先行を学習する。 我々は、複数の大規模LiDARシーンフローデータセットを統一し、訓練するフィードフォワードモデルのファミリーであるUniFlowを提案する。 UniFlowは、TruckScenesのような目に見えないデータセットで最先端の精度を実現し、TruckScenes固有のモデルよりも30.1%向上している。
  論文  参考訳（メタデータ） (2025-11-23T02:51:42Z)
• Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries [4.538224798436768]
  本研究は, CTFサブチャネル符号を用いて, 環状ジオメトリにおけるCHF予測のためのMLモデルを開発, 展開, 検証した。 経験的相関からベースラインCHF予測が得られ, 平均相対誤差は26%以上であった。 いずれの場合も、ハイブリッドMLモデルは経験的なモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-18T19:19:38Z)
• One-shot Federated Learning via Synthetic Distiller-Distillate Communication [63.89557765137003]
  One-shot Federated Learning (FL)は、単一のコミュニケーションで機械学習モデルの協調トレーニングを促進する強力な技術である。 我々はこれらの課題に対処するために,新しい,実用的なワンショットFLフレームワークであるFedSD2Cを提案する。
  論文  参考訳（メタデータ） (2024-12-06T17:05:34Z)
• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
  近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。 我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2024-04-04T09:12:13Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Science through Machine Learning: Quantification of Poststorm Thermospheric Cooling [0.0]
  本研究では,中温圏におけるポストストーム冷却の有無を学習する機械学習モデルを開発した。 NRLS 2.0 と JB2008-ML はいずれも,強大な地磁気嵐後の冷暖房を考慮しない。 その結果,嵐の場所や強度によって,最大40%の密度低下が1～3日後に起こりうることがわかった。
  論文  参考訳（メタデータ） (2022-06-12T19:40:30Z)
• Deformation and Correspondence Aware Unsupervised Synthetic-to-Real Scene Flow Estimation for Point Clouds [43.792032657561236]
  我々はGTA-Vエンジンのためのポイントクラウドコレクタとシーンフローアノテータを開発し、人間の介入なしに多様なトレーニングサンプルを自動的に取得する。 対象ドメインの擬似ラベルを自己生成する平均教師型ドメイン適応フレームワークを提案する。 本フレームワークは、6つのソースターゲットデータセットペアに対して優れた適応性を実現し、平均的なドメインギャップを60%削減する。
  論文  参考訳（メタデータ） (2022-03-31T09:03:23Z)
• On gray-box modeling for virtual flow metering [0.0]
  石油生産システムにおける流量の連続予測を可能にする仮想流量計(vfm)。 グレーボックスモデリングは、機械性とデータ駆動モデリングを組み合わせたアプローチです。 本論文は,石油油井10箇所の工業ケーススタディにおいて,グレーボックス型5種について検討する。
  論文  参考訳（メタデータ） (2021-03-23T13:17:38Z)
• Ensemble Distillation for Robust Model Fusion in Federated Learning [72.61259487233214]
  Federated Learning(FL)は、多くのデバイスが機械学習モデルを協調的にトレーニングする機械学習環境である。 現在のトレーニングスキームのほとんどでは、サーバモデルのパラメータと更新されたパラメータをクライアント側から平均化することで、中央モデルを洗練します。 本研究では,モデル融合のためのアンサンブル蒸留法を提案する。
  論文  参考訳（メタデータ） (2020-06-12T14:49:47Z)

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。