論文の概要: BridgeCast: Bridging Ocean Wave Forecasts to Reanalysis via Flow Matching with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2610.03759v1
• Date: Sun, 27 Sep 2026 00:43:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 05:18:59.755337
• Title: BridgeCast: Bridging Ocean Wave Forecasts to Reanalysis via Flow Matching with Exogenous Variables
• Title（参考訳）: BridgeCast: 外来変数とのフローマッチングによる海波予測の再解析
• Abstract要約: BridgeCastは、偏見補正のための物理AIフレームワークのハイブリッドである。 物理モデル予測をリアナリシスのような分野に変換することを学ぶ。
• 参考スコア（独自算出の注目度）: 24.478082563835226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ocean wave forecasting is essential for maritime safety, offshore operations, and coastal resilience, yet remains challenging due to systematic biases in physics-based models. Physical models, while widely used, rely on approximations and parameterizations that limit their accuracy under complex ocean-atmosphere conditions. To enhance ocean wave forecasting, we propose BridgeCast, within a physics-AI hybrid framework for bias correction. BridgeCast is a probabilistic model based on conditional flow matching (CFM) that learns to transform physical model forecasts into reanalysis-like fields. It treats physical forecasts as corrupted observations and employs a continuous-time generative process to bridge their distribution toward that of reanalysis data. BridgeCast is parameterized by a Transformer-based architecture that enables spatiotemporal modeling, incorporation of exogenous atmospheric variables, and flexible inference via both ordinary and stochastic differential equation formulations. Extensive experiments on real-world datasets demonstrate that BridgeCast consistently outperforms state-of-the-art baselines across regions and forecast lead times.
• Abstract（参考訳）: 海洋波の予測は海洋の安全、沖合での作戦活動、沿岸での弾力性に不可欠であるが、物理モデルにおける体系的なバイアスのため、依然として困難である。 物理モデルは広く使われているが、複雑な海洋大気条件下での精度を制限する近似やパラメータ化に依存している。 偏波補正のための物理AIハイブリッドフレームワークであるBridgeCastを提案する。 BridgeCastは条件付きフローマッチング(CFM)に基づく確率モデルであり、物理モデル予測を再解析的なフィールドに変換することを学習する。 物理予測を腐敗した観測として扱い、連続的な生成プロセスを用いて再解析データの分布にブリッジする。 BridgeCastはTransformerベースのアーキテクチャでパラメータ化されており、時空間モデリング、外因性大気変数の取り込み、常微分方程式および確率微分方程式の定式化によるフレキシブル推論を可能にする。 実世界のデータセットに関する大規模な実験により、BridgeCastは、リージョンをまたいだ最先端のベースラインを一貫して上回り、リードタイムを予測している。

関連論文リスト

• Sampling sea state using a diffusion model [28.05527563772365]
  海の状態予測は、海洋の運用と地球系の結合モデルに不可欠である。 現在のスペクトル波モデルは、多くのユースケースで計算的に禁止されている。 本研究では,大域海況推定のための拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-24T21:19:59Z)
• Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction [2.1603484118769476]
  これらの変数の無膨らみ、長い尾の分布のため、3次元のハイドロメータ予測は困難である。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-06-07T10:38:37Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• AquaCast: Urban Water Dynamics Forecasting with Precipitation-Informed Multi-Input Transformer [3.3333213240832134]
  本研究は,マルチインプット・マルチアウトプット深層学習モデルを開発することにより,都市水力学の予測課題に対処する。 モデルであるAquaCastは、すべての入力にまたがる変数間および時間的依存関係をキャプチャする。 都市排水センサを4つ搭載したLasanneCityデータセットについて検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:42:34Z)
• LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
  我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。 LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。 LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
  論文  参考訳（メタデータ） (2025-06-10T19:17:14Z)
• CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
  本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-06T08:30:47Z)
• 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)
• 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)

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。