論文の概要: Physics-Knowledge-Guided Hybrid Neural Learning for Arctic Sea Ice Concentration Evolution and Short-Range Prediction

• arxiv url: http://arxiv.org/abs/2608.21767v1
• Date: Sat, 22 Aug 2026 04:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.453718
• Title: Physics-Knowledge-Guided Hybrid Neural Learning for Arctic Sea Ice Concentration Evolution and Short-Range Prediction
• Title（参考訳）: 物理知識誘導型ハイブリッドニューラルラーニングによる北極海氷の濃度変化と短距離予測
• Abstract要約: 物理インフォームドハイブリッドアイスモデルは、海氷連続性方程式に符号化された物理的依存関係に従って、そのネットワーク構造を整理する。 PIHIMは深層学習の表現能力を保ちつつ, 氷の変位, 凍結-融点変化, 局所的誤差閉鎖のプロセス分解による定式化を行っている。
• 参考スコア（独自算出の注目度）: 35.243162110670944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of sea ice concentration (SIC) evolution is essential for polar climate assessment and short?range sea ice prediction. Numerical and data-driven approaches constitute major foundations for SIC modeling, but the former often require complex parameterizations and substantial compu?tation, whereas the latter rarely encode physical dependencies explicitly. This study presents the Physics-Informed Hybrid Ice Model (PIHIM), a differentiable data-driven hybrid ice model for daily SIC evolution that organizes its network structure according to the physical dependencies encoded in the sea ice continuity equation and explicitly accounts for dynamical transport, ther?modynamically driven areal growth and loss, and unresolved local processes. PIHIM preserves the representation capacity of deep learning while providing a process-decomposed formulation of ice displacement, freeze-melt areal change, and local error closure. Two evaluation settings are adopted: reanalysis-forced simulation examines SIC evolution stability under reanalysis forcing, and forecast-forced prediction assesses short-range performance un?der forecast-forced conditions, with reanalysis and observational SIC serving as verification references. Results indicate enhanced ice-edge preservation and error-growth control in reanalysis?forced simulation, while PIHIM retains measurable short-range prediction skill under forecast-forced conditions. Our code will be made publicly available after the paper is accepted.
• Abstract（参考訳）: 海氷濃度(SIC)の正確なモデリングは、北極圏の気候評価に不可欠か? 海氷予測だ 数値的およびデータ駆動型アプローチは、SICモデリングの主要な基盤となっているが、前者は複雑なパラメータ化と実質的なコンプを必要とすることが多い。 一方、tationは物理的依存関係を明示的にエンコードすることは滅多にない。 本研究は,海氷連続性方程式に符号化された物理的依存関係に従ってネットワーク構造を整理し,動的輸送を明示的に説明する,日々のSIC進化のための微分可能なデータ駆動型ハイブリッド氷モデルPIHIMを提案する。 動力学的に誘導された 島の成長と損失 そして未解決の局所過程 PIHIMは深層学習の表現能力を保ちつつ, 氷の変位, 凍結-融点変化, 局所的誤差閉鎖のプロセス分解による定式化を行っている。 リアナリシス強化シミュレーションは、リアナリシス強制下でのSIC進化安定性を検証し、予測強制予測はショートレンジ性能を評価するか? 再分析と観測SICが検証基準として機能する予測強制条件。 以上の結果から, 再解析における氷縁保存と過誤成長制御の強化が示唆された。 PIHIMは予測力のある条件下で測定可能な短距離予測技術を保っている。 私たちのコードは、論文が受理された後に公開されます。

関連論文リスト

• Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics [0.0]
  物理インフォームドニューラルネットワーク(PINN)は最近、データ駆動学習と物理知識を統合するための有望なフレームワークとして登場した。 本研究では,温室環境における室内温度と湿度の動的変化を共同で再現するためのPINN手法を提案する。
  論文  参考訳（メタデータ） (2026-05-04T12:26:30Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics [0.16206783799607727]
  氷融解と淡水分布の因果関係の定量化が重要である。 本研究では,海氷厚とSSHの因果メカニズムを定量化するために,知識誘導変分オートエンコーダ(KGCM-VAE)を提案する。 KGCM-VAEが最先端のベンチマークよりPEHEより優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-25T01:44:55Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Prediction of Sea Ice Velocity and Concentration in the Arctic Ocean using Physics-informed Neural Network [0.0]
  我々は,海氷の物理知識を機械学習モデルに統合するための物理情報ニューラルネットワーク(PINN)戦略を開発した。 我々のPINNモデルは、海氷速度(SIV)と海氷濃度(SIC)の予測において、完全なデータ駆動モデルよりも優れている。 PINNのアプローチは、特に融解期と早期凍結期および高速で動く氷地域におけるSIC予測を改善する。
  論文  参考訳（メタデータ） (2025-10-20T17:10:01Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Seasonal Forecasting of Pan-Arctic Sea Ice with State Space Model [7.617560936972677]
  我々は、状態空間モデルに高度な注意機構を統合するディープラーニングアーキテクチャであるIceMambaを紹介する。 IceMambaは、平均RMSEと異常相関係数(ACC)に関する全ての試験モデルより優れており、Ice Edge Error(IIEE)において第2位である。 この革新的なアプローチは、海氷の変動の影響を予見し緩和する能力を高め、気候適応を目指した戦略に不可欠な洞察を与えます。
  論文  参考訳（メタデータ） (2025-05-15T19:15:00Z)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)

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。