Physical Knowledge Enhanced Deep Neural Network for Sea Surface Temperature Prediction

要約

タイトル:
物理知識拡張型ディープニューラルネットワークによる海洋表面温度予測

要約:
– 従来、数値モデルが物理式を用いて海洋動態をシミュレーションを行うことが一般的であった。
– しかし、海洋動態に関連する多くの要素が未定義のままである。
– 実測データから物理知識を転移することで、数値モデルの精度向上が期待できる。
– 近年、地球観測技術の進歩により多大な量のデータが得られるようになった。
– このような状況において、歴史的観測データを用いて数値モデルを改良する方法を探ることが重要である。
– そこで、物理知識を歴史的観測データから抽出し、数値モデルに組み込んで海洋表面温度の予測を行う方法が提案された。
– 具体的には、エンコーダと敵対的生成ネットワーク（GAN）の組み合わせを使用して、観測データから物理知識を捉える。
– 数値モデルのデータを事前学習したモデルに組み込んで物理学に基づくデータを生成し、これを海洋表面温度予測に使用する。
– 実験結果から、提案手法はいくつかの最新のベースライン手法と比較して、海洋表面温度予測性能を大幅に向上させる。

要約(オリジナル)

Traditionally, numerical models have been deployed in oceanography studies to simulate ocean dynamics by representing physical equations. However, many factors pertaining to ocean dynamics seem to be ill-defined. We argue that transferring physical knowledge from observed data could further improve the accuracy of numerical models when predicting Sea Surface Temperature (SST). Recently, the advances in earth observation technologies have yielded a monumental growth of data. Consequently, it is imperative to explore ways in which to improve and supplement numerical models utilizing the ever-increasing amounts of historical observational data. To this end, we introduce a method for SST prediction that transfers physical knowledge from historical observations to numerical models. Specifically, we use a combination of an encoder and a generative adversarial network (GAN) to capture physical knowledge from the observed data. The numerical model data is then fed into the pre-trained model to generate physics-enhanced data, which can then be used for SST prediction. Experimental results demonstrate that the proposed method considerably enhances SST prediction performance when compared to several state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI