Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble

要約

北極地域の海氷状況のモデリングと予測は、船舶の航行、海洋石油生産、環境モニタリングにとって重要なタスクです。
我々は、LANE-SI（Lightweight Automated Neural Ensembling for Sea Ice）と呼ばれる適応型サロゲート モデリング アプローチを提案します。このアプローチは、指定された水域における海氷濃度の空間分布を予測するために、さまざまな損失関数を持つ比較的単純な深層学習モデルのアンサンブルを使用します。
実験研究では、特定の水域に適合した深層学習モデルに基づく長期予測の品質が、リソースを大量に消費する物理モデリングに匹敵し、年間の一部の期間では優れていることが確認されています。
カラ海に関しては、最先端の物理学に基づいた予報システムSEAS5と比較して20％の改善を達成しました。

要約(オリジナル)

The modeling and forecasting of sea ice conditions in the Arctic region are important tasks for ship routing, offshore oil production, and environmental monitoring. We propose the adaptive surrogate modeling approach named LANE-SI (Lightweight Automated Neural Ensembling for Sea Ice) that uses ensemble of relatively simple deep learning models with different loss functions for forecasting of spatial distribution for sea ice concentration in the specified water area. Experimental studies confirm the quality of a long-term forecast based on a deep learning model fitted to the specific water area is comparable to resource-intensive physical modeling, and for some periods of the year, it is superior. We achieved a 20% improvement against the state-of-the-art physics-based forecast system SEAS5 for the Kara Sea.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google