A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport

要約

高解像度の時空間シミュレーションは、複雑な地形における大気プルームの分散の複雑さを効果的に捉えます。
ただし、計算コストが高いため、最適化、不確実性の定量化、逆モデリングなど、迅速な応答や反復プロセスを必要とするアプリケーションには実用的ではありません。
この課題に対処するために、この研究では、プルーム拡散予測のための高効率な深層学習モデルであるデュアルステージ時間三次元 UNet 超解像度 (DST3D-UNet-SR) モデルを導入しました。
DST3D-UNet-SR は、2 つの連続モジュールで構成されています。時間モジュール (TM) は、低解像度の時間データから複雑な地形におけるプルームの一時的な進化を予測します。もう 1 つは、空間リファインメント モジュール (SRM) です。
TM 予測の空間解像度。
私たちは、プルーム輸送の高解像度ラージ エディ シミュレーション (LES) から得られた包括的なデータセットを使用して DST3DUNet-SR をトレーニングします。
我々は、三次元プルーム分散の LES シミュレーションを 3 桁大幅に加速する DST3D-UNet-SR モデルを提案します。
さらに、このモデルは、新しい観測データを組み込むことで状況の変化に動的に適応する能力を実証し、発生源に近い高濃度領域での予測精度を大幅に向上させます。
キーワード: 大気科学、地球科学、プルーム輸送、3D 時系列、人工知能、CNN、LSTM、オートエンコーダー、自己回帰モデル、U-Net、超解像、空間リファインメント。

要約(オリジナル)

High-resolution spatiotemporal simulations effectively capture the complexities of atmospheric plume dispersion in complex terrain. However, their high computational cost makes them impractical for applications requiring rapid responses or iterative processes, such as optimization, uncertainty quantification, or inverse modeling. To address this challenge, this work introduces the Dual-Stage Temporal Three-dimensional UNet Super-resolution (DST3D-UNet-SR) model, a highly efficient deep learning model for plume dispersion prediction. DST3D-UNet-SR is composed of two sequential modules: the temporal module (TM), which predicts the transient evolution of a plume in complex terrain from low-resolution temporal data, and the spatial refinement module (SRM), which subsequently enhances the spatial resolution of the TM predictions. We train DST3DUNet- SR using a comprehensive dataset derived from high-resolution large eddy simulations (LES) of plume transport. We propose the DST3D-UNet-SR model to significantly accelerate LES simulations of three-dimensional plume dispersion by three orders of magnitude. Additionally, the model demonstrates the ability to dynamically adapt to evolving conditions through the incorporation of new observational data, substantially improving prediction accuracy in high-concentration regions near the source. Keywords: Atmospheric sciences, Geosciences, Plume transport,3D temporal sequences, Artificial intelligence, CNN, LSTM, Autoencoder, Autoregressive model, U-Net, Super-resolution, Spatial Refinement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google