論文の概要: Drift Field Net: Learning Ocean Lagrangian advection fields from in-situ and satellite observations
- arxiv url: http://arxiv.org/abs/2609.16288v1
- Date: Mon, 14 Sep 2026 19:43:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.216134
- Title: Drift Field Net: Learning Ocean Lagrangian advection fields from in-situ and satellite observations
- Title（参考訳）: ドリフトフィールドネット:その場観測と衛星観測から海洋ラグランジアン対流場を学習する
- Abstract要約: 衛星観測から海面流れ場を予測するディープニューラルネットワークであるDrift Field Net(DFN)を紹介する。
DFNは、シミュレーションデータの事前トレーニングとラグランジアン微調整を組み合わせた、新しい2段階戦略を用いて訓練されている。
In situ drifter trajectoriesでは、DFNは平均位置決め誤差を7日間の予測後、運用モデルと比較して20km削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The North Pacific Subtropical Gyre (NPSG) is a major accumulation zone for floating plastic debris, resulting from basin-scale convergent ocean circulation. Effective cleanup strategies in this region rely on accurate forecasts of Lagrangian particle drift. Here, we introduce Drift Field Net (DFN), a deep neural network that predicts ocean surface flow fields from operational satellite observations. DFN is trained using a novel two-stage strategy that combines pretraining on simulated data with Lagrangian fine-tuning based on an advection-consistent loss function. This physics-informed optimization directly improves the accuracy of particle trajectory predictions. We evaluate DFN against an operational physics-based forecasting system and demonstrate the potential of deep learning for ocean surface flow prediction. On in situ drifter trajectories, DFN reduces the mean positioning error by 20 km after a 7-day forecast compared with the operational model. Furthermore, Lagrangian fine-tuning with the proposed advection loss further reduces the positioning error by 10 km, highlighting the benefits of incorporating Lagrangian constraints into the training process.
- Abstract（参考訳）: 北太平洋亜熱帯雨林 (North Pacific Subtropical Gyre, NPSG) は、盆地スケールの海洋循環が原因で浮かぶプラスチック破片の主要な堆積帯である。
この地域の効率的な浄化戦略は、ラグランジュ粒子漂流の正確な予測に依存する。
本稿では,運用衛星観測から海面流れ場を予測するディープニューラルネットワークであるDrift Field Net(DFN)を紹介する。
DFNは、シミュレーションデータに基づく事前トレーニングと、対流抵抗損失関数に基づくラグランジアン微調整を組み合わせた、新しい2段階戦略を用いて訓練される。
この物理インフォームド最適化は、粒子軌道予測の精度を直接改善する。
我々は, DFNを運用物理に基づく予測システムに対して評価し, 深層学習による海面流れ予測の可能性を示した。
In situ drifter trajectoriesでは、DFNは平均位置決め誤差を7日間の予測後、運用モデルと比較して20km削減する。
さらに、提案した対流損失によるラグランジアン微調整により、位置決め誤差を10km削減し、ラグランジアン制約をトレーニングプロセスに組み込むことの利点を強調した。
関連論文リスト
- Advanced Flood Prediction with Physics-Guided Deep Learning: Combining UNet, FNO, and SAR/Optical Imagery [0.3186130813218338]
この研究は、多モードリモートセンシングと深さ平均浅水方程式を統合した物理誘導型ディープラーニングフレームワークを導入する。
提案したハイブリッドアーキテクチャは、UNetとFNO(Fourier Neural Operator)を組み合わせて、流域と流域の油圧相互作用をモデル化する。
このモデルは0.82のユニオンと0.90のF1スコアのインターセクションを達成し、UNetのみのベースラインとFNOのみのベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-02T19:14:04Z) - Impact of geophysical fields on Deep Learning-based Lagrangian drift simulations [5.259449320014772]
DriftNetを用いたラグランジアンドリフトシミュレーションにおける異なるユーレリア地形入力場の影響を評価する。
完全な数値実験と現実の漂流機に基づく実験の2つの実験が実施された。
論文 参考訳（メタデータ） (2026-03-27T09:34:29Z) - Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。
従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。
本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
論文 参考訳（メタデータ） (2025-05-22T15:09:25Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution
and Transformer Networks [47.60320586459432]
ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。
ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-12-16T12:12:31Z) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - 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) - Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T05:42:27Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Deep learning for Lagrangian drift simulation at the sea surface [4.691925709249742]
我々は、ラグランジアン力学のユーレリア・フォッカー・プランク表現にインスパイアされた、DriftNetと呼ばれる新しいアーキテクチャを導入する。
ドリフトネットの完全な畳み込みの性質から、モデル由来の速度を実際のドリフト軌道で診断する方法を探る。
論文 参考訳（メタデータ） (2022-11-17T14:41:11Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z)
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。