Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network

要約

極地の氷層の時空間パターンを学習することは、氷床のバランスの変化を監視し、氷の動的プロセスを評価するために重要です。
少数の研究者は、さまざまな畳み込みニューラル ネットワークを介して航空雪レーダー センサーによって捕捉されたエコーグラム画像から氷層のパターンを学習することに重点を置いていますが、エコーグラム画像内のノイズが大きな障害となることが判明しています。
その代わりに、私たちは、浅い氷の層の厚さ情報から時空間パターンを学習し、深い層の予測を行うために、グラフニューラルネットワークに基づく幾何学的深層学習に焦点を当てています。
この論文では、グラフ特徴学習のための GraphSAGE フレームワークと、時間的変化を学習するための長短期記憶 (LSTM) 構造を組み合わせた、物理情報に基づいたハイブリッド グラフ ニューラル ネットワークを提案し、Model Atmospheric Regional からの物理的な氷の特性の測定を導入します。
物理ノードの特徴としての (MAR) 気象モデル。
私たちが提案したネットワークは、深氷層の厚さの予測において、現在の非誘導モデルまたは非物理モデルよりも一貫して優れていることがわかりました。

要約(オリジナル)

Learning spatio-temporal patterns of polar ice layers is crucial for monitoring the change in ice sheet balance and evaluating ice dynamic processes. While a few researchers focus on learning ice layer patterns from echogram images captured by airborne snow radar sensors via different convolutional neural networks, the noise in the echogram images proves to be a major obstacle. Instead, we focus on geometric deep learning based on graph neural networks to learn the spatio-temporal patterns from thickness information of shallow ice layers and make predictions for deep layers. In this paper, we propose a physics-informed hybrid graph neural network that combines the GraphSAGE framework for graph feature learning with the long short-term memory (LSTM) structure for learning temporal changes, and introduce measurements of physical ice properties from Model Atmospheric Regional (MAR) weather model as physical node features. We found that our proposed network can consistently outperform the current non-inductive or non-physical model in predicting deep ice layer thickness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google