Orca: Ocean Significant Wave Height Estimation with Spatio-temporally Aware Large Language Models

要約

有義波高 (SWH) は海洋科学において重要な指標であり、正確な SWH 推定は、海洋エネルギー開発、漁業、潜在的リスクの早期警報システムなどのさまざまな用途にとって非常に重要です。数値に基づいた従来の SWH 推定方法
モデルと物理理論は計算効率の悪さによって妨げられています。
最近、機械学習は、精度を向上させ、計算時間を短縮するための魅力的な代替手段として浮上しています。
しかし、限られた観測技術と高コストにより、実世界のデータが不足しているため、機械学習モデルの可能性が制限されています。
これらの限界を克服するために、我々は海洋 SWH 推定フレームワーク、すなわち Orca を提案します。
具体的には、Orca は、新しい時空間認識エンコーディング モジュールを使用して、古典的な LLM の限られた時空間推論能力を強化します。
Orca は、限られたブイの観測データを時間的にセグメント化し、ブイの位置を空間的にエンコードし、プロンプト テンプレートを設計することにより、LLM の堅牢な一般化機能を利用して、限られたデータで有義波高を効果的に推定します。
メキシコ湾での実験結果は、Orca が SWH 推定において最先端のパフォーマンスを達成していることを示しています。

要約(オリジナル)

Significant wave height (SWH) is a vital metric in marine science, and accurate SWH estimation is crucial for various applications, e.g., marine energy development, fishery, early warning systems for potential risks, etc. Traditional SWH estimation methods that are based on numerical models and physical theories are hindered by computational inefficiencies. Recently, machine learning has emerged as an appealing alternative to improve accuracy and reduce computational time. However, due to limited observational technology and high costs, the scarcity of real-world data restricts the potential of machine learning models. To overcome these limitations, we propose an ocean SWH estimation framework, namely Orca. Specifically, Orca enhances the limited spatio-temporal reasoning abilities of classic LLMs with a novel spatiotemporal aware encoding module. By segmenting the limited buoy observational data temporally, encoding the buoys’ locations spatially, and designing prompt templates, Orca capitalizes on the robust generalization ability of LLMs to estimate significant wave height effectively with limited data. Experimental results on the Gulf of Mexico demonstrate that Orca achieves state-of-the-art performance in SWH estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google