論文の概要: X-MethaneWet: A Cross-scale Global Wetland Methane Emission Benchmark Dataset for Advancing Science Discovery with AI

• arxiv url: http://arxiv.org/abs/2505.18355v1
• Date: Fri, 23 May 2025 20:24:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.359555
• Title: X-MethaneWet: A Cross-scale Global Wetland Methane Emission Benchmark Dataset for Advancing Science Discovery with AI
• Title（参考訳）: X-MethaneWet:AIによる科学発見の促進を目的とした大規模湿地メタン排出ベンチマークデータセット
• Authors: Yiming Sun, Shuo Chen, Shengyu Chen, Chonghao Qiu, Licheng Liu, Youmi Oh, Sparkle L. Malone, Gavin McNicol, Qianlai Zhuang, Chris Smith, Yiqun Xie, Xiaowei Jia,
• Abstract要約: メタン(CH$_4$)は二酸化炭素に次いで2番目に強力な温室効果ガスであり、気候変動において重要な役割を果たしている。 大陸横断メタンベンチマークデータセット(X-MethaneWet)について紹介する。 このデータセットは、新たなAIアルゴリズムで、グローバルウェットランドCH$_4$モデリングと科学発見を改善する機会を提供することができる。
• 参考スコア（独自算出の注目度）: 15.813459313530625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methane (CH$_4$) is the second most powerful greenhouse gas after carbon dioxide and plays a crucial role in climate change due to its high global warming potential. Accurately modeling CH$_4$ fluxes across the globe and at fine temporal scales is essential for understanding its spatial and temporal variability and developing effective mitigation strategies. In this work, we introduce the first-of-its-kind cross-scale global wetland methane benchmark dataset (X-MethaneWet), which synthesizes physics-based model simulation data from TEM-MDM and the real-world observation data from FLUXNET-CH$_4$. This dataset can offer opportunities for improving global wetland CH$_4$ modeling and science discovery with new AI algorithms. To set up AI model baselines for methane flux prediction, we evaluate the performance of various sequential deep learning models on X-MethaneWet. Furthermore, we explore four different transfer learning techniques to leverage simulated data from TEM-MDM to improve the generalization of deep learning models on real-world FLUXNET-CH$_4$ observations. Our extensive experiments demonstrate the effectiveness of these approaches, highlighting their potential for advancing methane emission modeling and contributing to the development of more accurate and scalable AI-driven climate models.
• Abstract（参考訳）: メタン(CH$_4$)は二酸化炭素に次いで2番目に強力な温室効果ガスである。 正確なCH$_4$フラックスのモデル化は、その空間的および時間的変動の理解と効果的な緩和戦略の開発に不可欠である。 本研究では,TEM-MDM から物理モデルシミュレーションデータと FLUXNET-CH$_4$ から実世界の観測データを合成する。 このデータセットは、新たなAIアルゴリズムを使用して、グローバルウェットランドCH$_4$モデリングと科学発見を改善する機会を提供することができる。 メタンフラックス予測のためのAIモデルベースラインを設定するために,X-メタンウェット上での逐次ディープラーニングモデルの性能を評価する。 さらに,TEM-MDMのシミュレーションデータを活用するために,実世界のFLUXNET-CH$_4$観測におけるディープラーニングモデルの一般化を改善するために,4つの異なる転送学習手法を検討する。 我々の広範な実験は、これらのアプローチの有効性を実証し、メタン排出量モデリングを推進し、より正確でスケーラブルなAI駆動気候モデルの開発に寄与する可能性を強調した。

関連論文リスト

• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Development and Evaluation of Ensemble Learning-based Environmental Methane Detection and Intensity Prediction Models [6.694954044418315]
  データ駆動機械学習 (ML) モデルを用いて, ファジティヴCH4とその関連強度を同定した。 我々はアンサンブル学習法を用いて、より弱い低層MLモデル上に構築された最も優れた重み付きアンサンブルMLモデルを決定する。
  論文  参考訳（メタデータ） (2023-12-18T01:52:59Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Machine Learning Driven Sensitivity Analysis of E3SM Land Model Parameters for Wetland Methane Emissions [12.826828430320843]
  メタン(CH4)は二酸化炭素に次いで2番目に重要な温室効果ガスであり、観測された温暖化の16-25%に寄与する。 感度分析(SA)は、メタン放出の臨界パラメータを特定し、将来の予測におけるバイアスや不確実性を減少させるのに役立つ。 本研究では,エナジー・エクサスケール・アース・システム・モデル(E3SM)ランド・モデル(ELM)のメタン・モジュールにおける臨界生物地球化学的プロセスに関与する19のパラメータについてSAを行う。
  論文  参考訳（メタデータ） (2023-12-05T14:16:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。