疎な観測データからの有義波高のデータ駆動型再構成
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19384v1発表、種類：クロス
要旨：疎で不均一なブイ観測データから高解像度の地域的な有義波高場を再構成することは、海洋監視とリスク対応運用における中心的な課題である。本研究では、局所ごとの時系列エンコーダ（MLP）と、ボトルネック自己注意層で拡張された多尺度U-Netを融合したハイブリッド深層学習フレームワークであるAUWaveを提案する。これにより32×32の地域的な有義波高場を復元する。Optunaを用いた体系的なベイズ型ハイパーパラメータ探索により、汎化性能において学習率が最も重要な要因であることが判明し、次いでスケジューラの減衰率と潜在次元が続く。NDBCブイ観測データとハワイ地域におけるERA5再解析データを用いて、AUWaveは最小検証損失0.043285とわずかに右に歪んだRMSE分布を達成した。空間誤差は観測地点付近で最も小さく、距離とともに増加し、疎なサンプリング下での識別可能性の限界を反映している。感度実験により、AUWaveはデータが豊富な設定では代表的なベースラインを常に上回る性能を示す一方、最もデータ不足の単一ブイの場合にはベースラインと僅差であることが示された。本アーキテクチャの多尺度と注意機構は、最小限ながら無視できない空間的基準点が存在する場合に精度向上に繋がる。誤差マップとブイ除去実験は、除去によって性能が著しく低下する主要な基準点ブイを明らかにし、ネットワーク設計のための有効な指針を提供する。AUWaveは、ギャップフィリング、データ同化のための高解像度事前情報、およびコンティンジェンシー再構成のための拡張可能な経路を提供する。
原文（英語）を表示
Title (EN): Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations
arXiv:2509.19384v1 Announce Type: cross
Abstract: Reconstructing high-resolution regional significant wave height fields from sparse and uneven buoy observations remains a core challenge for ocean monitoring and risk-aware operations. We introduce AUWave, a hybrid deep learning framework that fuses a station-wise sequence encoder (MLP) with a multi-scale U-Net enhanced by a bottleneck self-attention layer to recover 32$\times$32 regional SWH fields. A systematic Bayesian hyperparameter search with Optuna identifies the learning rate as the dominant driver of generalization, followed by the scheduler decay and the latent dimension. Using NDBC buoy observations and ERA5 reanalysis over the Hawaii region, AUWave attains a minimum validation loss of 0.043285 and a slightly right-skewed RMSE distribution. Spatial errors are lowest near observation sites and increase with distance, reflecting identifiability limits under sparse sampling. Sensitivity experiments show that AUWave consistently outperforms a representative baseline in data-richer configurations, while the baseline is only marginally competitive in the most underdetermined single-buoy cases. The architecture’s multi-scale and attention components translate into accuracy gains when minimal but non-trivial spatial anchoring is available. Error maps and buoy ablations reveal key anchor stations whose removal disproportionately degrades performance, offering actionable guidance for network design. AUWave provides a scalable pathway for gap filling, high-resolution priors for data assimilation, and contingency reconstruction.
Published: 2025-09-24 19:00 UTC