論文の概要: OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation
- arxiv url: http://arxiv.org/abs/2608.16070v1
- Date: Mon, 17 Aug 2026 04:03:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.517881
- Title: OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation
- Title（参考訳）: OceanLight:Geometry-Adaptive Unstructured Mesh Representationによる効率的なグローバルオーシャン予測
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.050783873604173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable global ocean forecasting is critical for climate monitoring, marine navigation, and extreme event early warning. Physics-based ocean forecasting models impose prohibitive computational costs, while existing deep learning approaches predominantly rely on structured-grid architectures, incurring unnecessary computation on masked land cells and enforcing uniform resolution across dynamically heterogeneous ocean regions regardless of local flow complexity. Here we present OceanLight, an efficient global ocean forecasting framework innovatively combining geometry-adaptive unstructured mesh tokenization with a graph neural network (GNN) backbone. OceanLight achieves pointwise forecast accuracy and kinetic energy spectral fidelity exceeding both operational numerical analyses and state-of-the-art AI-based models, while surpassing all AI-based ocean models in geostrophic balance consistency. Furthermore, OceanLight demonstrates reliable mesoscale eddy representation, capturing coherent ocean structures beyond pointwise statistical optimization. These capabilities are delivered with a 62% reduction in GPU memory consumption and 70\% reduction in FLOPs relative to structured-grid baselines. Our unstructured mesh representation establishes a generalizable paradigm for scalable data-driven oceanography.
- Abstract（参考訳）: 信頼性の高いグローバルな海洋予報は、気候モニタリング、海洋航法、および極端な早期警戒に不可欠である。
物理に基づく海洋予測モデルでは計算コストが禁じられているが、既存のディープラーニングのアプローチは、主に構造化グリッドアーキテクチャに依存しており、マスクされた土地細胞に不要な計算を発生させ、局所的な流れの複雑さに関わらず、動的に異質な海洋地域にわたって均一な解像度を強制する。
ここでは,幾何適応型非構造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)のバックボーンを革新的に組み合わせた,効率的な海洋予測フレームワークであるOceanLightを紹介する。
OceanLightは、オペレーショナル数値解析と最先端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の忠実度を達成すると同時に、地栄養バランスの整合性において、すべてのAIベースの海洋モデルを上回る。
さらに、OceanLightは信頼できるメソスケールのエディ表現を示し、ポイントワイドな統計的最適化を超えてコヒーレントな海洋構造を捉えている。
これらの機能は、GPUメモリ使用量の62%削減と、構造化グリッドベースラインに対するFLOPの70%削減によって実現される。
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。
関連論文リスト
- ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。
本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。
提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
論文 参考訳（メタデータ） (2026-07-14T07:06:46Z) - OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models [57.19693589926157]
OceanPileは、海洋基盤モデル用に設計された大規模マルチモーダルコーパスである。
OceanCorpus、OceanInstruction、OceanBenchmarkの3つの重要なコンポーネントで構成されている。
すべてのデータセットは、海洋人工知能の分野を前進させるために公開されている。
論文 参考訳（メタデータ） (2026-04-25T14:53:37Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - Eddy-Resolving Global Ocean Forecasting with Multi-Scale Graph Neural Networks [0.0]
本研究では,10日間のグローバル予測のためのマルチスケールグラフニューラルネットワークに基づく海洋モデルを提案する。
このモデルはエンコーダ・プロセッサ・デコーダアーキテクチャを採用し、異なる解像度の2つの球面メッシュを使用して、海洋力学のマルチスケールの性質をよりよく捉えている。
論文 参考訳（メタデータ） (2026-01-19T07:11:08Z) - 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) - Data-driven global ocean model resolving ocean-atmosphere coupling dynamics [8.075184647214861]
本研究では, 深層学習(DL)に基づくグローバル3次元海洋循環モデルであるKIST-Oceanについて述べる。
部分的畳み込み、敵の訓練、移動学習を統合し、沿岸の複雑さと予測分布の漂流に対処する。
熱帯太平洋におけるケルビン波やロスビー波の伝播や、シクロニック風や非シクロニック風による垂直運動など、現実的な海洋反応を正確に捉えている。
論文 参考訳（メタデータ） (2025-07-31T01:45:15Z) - 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) - Regional Ocean Forecasting with Hierarchical Graph Neural Networks [1.4146420810689422]
我々は、高解像度の中距離海洋予測用に設計されたニューラルネットワークであるSeaCastを紹介する。
SeaCastはグラフベースのフレームワークを使用して、海洋グリッドの複雑な幾何学を処理し、地域の海洋環境に合わせて外部の強制データを統合する。
コペルニクス海洋局が提供した地中海の運用数値モデルを用いて,高空間分解能実験により本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-10-15T17:34:50Z) - 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) - 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) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳（メタデータ） (2021-12-21T16:10:45Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳（メタデータ） (2021-06-24T17:29:42Z)
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。