OceanVision: Ocean Weather Forecasting by Integrating Physical Models and Machine Learning

点击翻译按钮获取中文摘要

本年度は，深層学習による水温予測の高精度化，特に「物理学的に妥当である」ことを予測モデルに組み込むことや散乱等の物理現象を予測モデルに取り入れることを目的に研究開発を進めた．また，研究開発に必要なデータについても継続的に取得・整理を行った．具体的には以下の項目について研究開発を行った．(1)敵対的学習による物理学的妥当性を反映した海面水温の予測手法の開発．昨年度取り組んだ敵対的学習による現在の海面水温推定手法を時系列予測に発展させた手法の開発に取り組んだ．東北沿岸エリアでの実験により一定の性能が得られることを確認した．(2) 散乱モデルを用いた衛星観測からの海面水温推定．昨年度取り組んだ敵対的学習による現在の海面水温推定手法に対して，さらに散乱による観測ノイズを考慮したモデルの開発に取り組んだ．(3) 複数のディスクリミネータを用いた海面水温観測・推定のdenoisingと高精細化．画像超解像と欠損修復を合わせたモデルを開発し，時間超解像と空間超解像を実現するモデルを開発した．いずれも，海洋環境の予測・高精細化に対してデータドリブンなアプローチ＋物理法則の組み合わせを試みたものであるが，現時点では従来の深層学習ベースの手法と比較して大きな性能改善には繋がっておらず，さらなる改良が必要である．また，水温予測以外のタスクとして海洋環境データから生態系の予測を行うモデルについても開発を行った．これは，時系列パターンである海洋環境データから同じく時系列パターンである生態系マップを生成する深層学習モデルであり，本研究の目的である海洋気象予測への拡張が可能なモデルである．