Ocean Surface Wind Speed Estimation From GNSS-R Data Using Physics-Informed Attention-Aided Convolutional Neural Network
Notice bibliographique
Résumé
Accurate global ocean surface wind speed estimation is crucial for weather forecasting and maritime transportation. Traditional retrieval methods based on Global Navigation Satellite System Reflectometry (GNSS-R) data and deep learning techniques often struggle to capture the complex, nonlinear relationships between GNSS-R observables and wind speed. This challenge is further exacerbated by imbalanced data distributions, which lead to significant underestimation under high wind conditions (15 - 30 m/s, here). To mitigate these issues, this study proposes a novel Physics-Informed Attention-Aided Convolutional Neural Network (PA-CNN). The proposed model incorporates an attention mechanism into the CNN architecture to adaptively focus on the most informative features. In addition, geophysical principles related to GNSS-R signal scattering are integrated with data-driven learning, improving both the interpretability and generalization capability of the network. Moreover, a spatial-temporal smoothing post-processing step is designed to enhance consistency in wind speed retrieval. Extensive experiments using Cyclone Global Navigation Satellite System (CYGNSS) datasets demonstrate that PA-CNN with smoothing outperforms existing deep learning approaches, achieving an overall root mean square difference (RMSD) of 1.38 m/s compared with ERA5 reanalysis data and 1.56 m/s against buoy measurements, highlighting the potential of combining physics-informed modeling with advanced deep-learning techniques for improved ocean surface wind speed retrieval.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».