論文の概要: HClimRep-Ocean: A Global Ocean Emulator on an Unstructured Mesh

• arxiv url: http://arxiv.org/abs/2609.28601v1
• Date: Wed, 23 Sep 2026 15:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.437218
• Title: HClimRep-Ocean: A Global Ocean Emulator on an Unstructured Mesh
• Title（参考訳）: HClimRep-Ocean:非構造メッシュ上のグローバルオーシャンエミュレータ
• Abstract要約: FESOM2の非構造メッシュ上で直接動作する海洋エミュレータであるHClimRep-Oceanについて述べる。 電流の場合、HClimRep-Oceanは30日間の予測で全ての基準を上回り、一方温度と塩分濃度では、減衰した異常な持続予測はより正確な推定値のままである。
• 参考スコア（独自算出の注目度）: 1.677781660558603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning (ML) emulators for atmospheric processes have advanced rapidly in recent years, transforming weather forecasting. Although early ML ocean forecasting models now exist, they remain less developed than their atmospheric counterparts. Unlike the atmosphere, much of the ocean's kinetic energy resides in mesoscale eddies whose characteristic spatial scales are approximately an order of magnitude smaller than those of comparable atmospheric features. Moreover, complex coastlines, narrow straits, and ice-covered seas make boundary representation a central challenge that atmospheric models do not face. Consequently, numerical ocean simulations commonly use locally refined or even completely unstructured meshes. However, their data-driven counterparts have so far been built around latitude-longitude grids. We present HClimRep-Ocean, an ocean emulator that operates directly on the native unstructured mesh of FESOM2. The emulator is trained on a 209-year AWI-CM3 control integration and is run without atmospheric forcing, receiving the atmospheric state only at initialisation time, which isolates the predictability carried by the ocean state itself. Skill is strongly field-dependent: for currents, HClimRep-Ocean outperforms every reference at 30 day forecast, whereas for temperature and salinity a damped-anomaly persistence forecast remains the more accurate estimator. This behaviour is physically interpretable: current variability is largely geostrophic and internally generated, whereas sea-surface temperature and salinity fluctuations are driven by atmospheric forcing through weather state. Evaluated independently on the OceanBench benchmark, a reanalysis-trained variant of HClimRep-Ocean achieves the lowest RMSE against GLORYS reanalysis among all assessed systems, confirming the competitiveness of the native-mesh approach.
• Abstract（参考訳）: 大気プロセスのための機械学習エミュレータ(ML)は近年急速に進歩し、天気予報が変化している。 初期のML海洋予測モデルは現在存在するが、大気圏よりも開発が進んでいない。 大気とは異なり、海洋の運動エネルギーの多くはメソスケールの渦に存在しており、その特徴的な空間スケールは、同等の大気特性よりも約1桁小さい。 さらに、複雑な海岸線、狭い海峡、氷に覆われた海は、境界表現を大気モデルが直面しない中心的な課題にしている。 その結果、数値的な海洋シミュレーションでは、局所的に洗練されたメッシュや完全に非構造的なメッシュが用いられる。 しかし、同社のデータ駆動型システムは、これまで緯度-経度グリッドを中心に構築されてきた。 FESOM2の非構造メッシュ上で直接動作する海洋エミュレータであるHClimRep-Oceanについて述べる。 エミュレータは209年間のAWI-CM3制御統合で訓練され、大気中の状態を初期化時にのみ受信する。 電流の場合、HClimRep-Oceanは30日間の予測で全ての基準を上回り、一方温度と塩分濃度の場合、減衰した異常な持続予測はより正確な推定値のままである。 海面温度と塩分濃度の変動は、気象状態を通じて大気の強制によって引き起こされる。 OceanBenchベンチマークで独立に評価され、HClimRep-Oceanのリアナリシス訓練版は、すべての評価システムの中で最低のRMSEをGLORYSの再アナリシスに対して達成し、ネイティブ・メッシュ・アプローチの競争性を確認する。

関連論文リスト

• 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)
• LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting [17.125674052741928]
  海洋予報システムであるLangYaを紹介した。 結果は、LangYaが1日から7日間のリードタイムで1つのモデルで予測できることを示した。 既存の数値およびAIベースの海洋予測システムと比較して、LangYaはGlobal Ocean Reanalysis and Simulationバージョン12から27年間の地球海洋データを使用している。
  論文  参考訳（メタデータ） (2024-12-24T02:14:39Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)

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。