論文の概要: YingLan: A Multimodal Ocean Foundation Model for Unified Representation Learning from Heterogeneous Observations
- arxiv url: http://arxiv.org/abs/2610.29313v1
- Date: Wed, 21 Oct 2026 07:09:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.267493
- Title: YingLan: A Multimodal Ocean Foundation Model for Unified Representation Learning from Heterogeneous Observations
- Title（参考訳）: YingLan: 異種観測による統一表現学習のためのマルチモーダル海洋基盤モデル
- Abstract要約: 本研究では, 物理属性条件付き動的符号化, Stemporal Increment Coupling, 海洋状態の進化を考慮した事前学習を統合したマルチモーダル海洋基盤モデルを提案する。
YingLan の平均 RMSE は 0.687508 PSU で、それぞれ LangYa と XiHe と GloNet2 と比較して0.58% と 5.31% と 12.42% の誤差削減に対応している。
- 参考スコア（独自算出の注目度）: 21.144063822762128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal ocean modeling remains challenging due to substantial heterogeneity in data structures, physical semantics, and spatiotemporal characteristics across satellite imagery, gridded oceanographic fields, and buoy observations. Existing approaches largely focus on task-specific ocean modeling, while learning transferable representations from heterogeneous observations remains an open problem. To address this challenge, we propose YingLan, a multimodal ocean foundation model that integrates physics-attribute-conditioned dynamic encoding, Spatiotemporal Increment Coupling (STIC), and ocean-state evolution-aware pretraining. Specifically, the dynamic encoding mechanism generates adaptive input projections conditioned on physical semantics and observation characteristics, enabling flexible representation of heterogeneous ocean variables. STIC models multiscale spatiotemporal dependencies through cross-scale interactions of latent temporal increments. The pretraining strategy further combines masked observation reconstruction with temporal evolution objectives to facilitate the learning of coherent ocean-state representations across different prediction horizons. YingLan is implemented using MindSpore and trained on Huawei Ascend 910B NPUs, demonstrating its compatibility with domestic AI computing infrastructure. In a seven-day sea surface salinity (SSS) forecasting task conducted in the Shenzhen coastal waters, YingLan achieves an average RMSE of 0.687508 PSU, corresponding to relative error reductions of 0.58%, 5.31%, and 12.42% compared with LangYa, XiHe, and GloNet2, respectively. These results provide initial evidence of the model's effectiveness in regional ocean forecasting, while broader cross-task and cross-regional evaluations remain necessary to assess its generalization capabilities.
- Abstract（参考訳）: マルチモーダル・オーシャン・モデリングは、衛星画像、格子状海洋フィールド、ブイ観測におけるデータ構造、物理的意味論、時空間特性にかなりの不均一性があるため、依然として困難である。
既存のアプローチはタスク固有の海洋モデリングに重点を置いているが、異種観測から伝達可能な表現を学ぶことは未解決の問題である。
この課題に対処するために,物理属性条件付き動的エンコーディング,時空間インクリメント・カップリング(STIC),海洋状態の進化を考慮した事前学習を統合したマルチモーダル海洋基盤モデルYingLanを提案する。
具体的には、動的符号化機構は、物理意味論と観測特性に基づいて適応的な入力プロジェクションを生成し、異種海洋変数の柔軟な表現を可能にする。
STICモデルは、潜時的インクリメントのクロススケール相互作用による多スケール時空間依存性をモデル化する。
事前訓練戦略は、様々な予測地平線を横断する一貫性のある海洋状態表現の学習を容易にするために、仮面の観測再構成と時間的進化の目的を更に組み合わせている。
YingLanはMindSporeを使用して実装され、Huawei Ascend 910B NPUでトレーニングされ、国内AIコンピューティングインフラストラクチャとの互換性を実証している。
深セン沿岸海域における7日間の海面塩分濃度予測作業において,YingLanは,LangYa,XiHe,GloNet2の相対誤差の0.58%,5.31%,12.42%に相当する平均RMSE0.687508 PSUを達成した。
これらの結果は、このモデルが地域海洋予測において有効であることを示す最初の証拠となる一方、その一般化能力を評価するためには、広範なクロスタスクとクロスリージョン評価が必要である。
関連論文リスト
- $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。
M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2026-10-17T07:24:57Z) - OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting [2.2352091609967424]
OceanMoEは、海洋予測のための条件付きスパース・ミックス・オブ・エクササイズ・フレームワークである。
以上の結果から,OceanMoEは,両評価条件の集合予測誤差を低くし,幾何平均正規化RMSEを,その後のロールアウト期間において対応するベースラインよりも低く維持することを示した。
論文 参考訳（メタデータ） (2026-09-17T06:36:39Z) - OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation [8.050783873604173]
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。
論文 参考訳（メタデータ） (2026-08-17T04:03:30Z) - Incomplete Observations Boost Evolutionary Performance in Ocean Modeling [34.327691668548255]
本稿では,スパース観測と雑音観測から直接学習できる生成状態空間モデルと最適化フレームワークを提案する。
CMIP6シミュレーションデータとFY-3D衛星データの実験は、高忠実度復元と正確な予測を実証している。
論文 参考訳（メタデータ） (2026-07-21T14:39:55Z) - DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。
このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。
2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
論文 参考訳（メタデータ） (2026-06-05T07:33:57Z) - 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) - Neural ocean forecasting from sparse satellite-derived observations: a case-study for SSH dynamics and altimetry data [25.95895236084694]
本稿では,衛星高度データに基づく海面変動の短期予測のためのエンドツーエンドの深層学習フレームワークを提案する。
我々のフレームワークはOceanBenchイニシアチブ内で開発され、海洋機械学習の標準化評価を促進する。
論文 参考訳（メタデータ） (2025-12-15T11:28:03Z) - Neptune-X: Active X-to-Maritime Generation for Universal Maritime Object Detection [54.1960918379255]
Neptune-Xは、海洋オブジェクト検出のためのデータ中心の生成-選択フレームワークである。
X-to-Maritime(X-to-Maritime)は、多様で現実的な海洋シーンを合成する多モード条件生成モデルである。
提案手法は,海上シーン合成における新しいベンチマークを設定し,検出精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-09-25T04:59:02Z) - 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) - CTP: A hybrid CNN-Transformer-PINN model for ocean front forecasting [6.345808397405795]
本稿では,畳み込みニューラルネットワーク(CNN),トランスフォーマーアーキテクチャ,物理インフォームドニューラルネットワーク(PINN)を統合した新しい深層学習フレームワークを提案する。
南シナ海(SCS)と黒潮(KUR)地域の1993年から2020年にかけての実験結果から,一段・多段の予測において,最先端(SOTA)性能を実現することを示す。
論文 参考訳（メタデータ） (2025-05-16T06:00:11Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-09T15:13:26Z)
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。