論文の概要: Estimating carbon pools in the shelf sea environment: reanalysis or model-informed machine learning?

• arxiv url: http://arxiv.org/abs/2508.10178v1
• Date: Wed, 13 Aug 2025 20:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.110896
• Title: Estimating carbon pools in the shelf sea environment: reanalysis or model-informed machine learning?
• Title（参考訳）: 棚海環境における炭素プールの推定:再分析かモデルインフォームド機械学習か?
• Authors: Jozef Skakala,
• Abstract要約: 棚の海環境における炭素プールの衛星データはしばしば希薄であり、非常に不確実である。 オルタナティブはリアナリシスによって提供されるが、実行には高価であることが多い。 本稿では、ニューラルネットワーク(NN)のアンサンブルを用いて、結合された物理・生物化学モデルから学習することを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shelf seas are important for carbon sequestration and carbon cycle, but available in situ, or satellite data for carbon pools in the shelf sea environment are often sparse, or highly uncertain. Alternative can be provided by reanalyses, but these are often expensive to run. We propose to use an ensemble of neural networks (NN) to learn from a coupled physics-biogeochemistry model the relationship between the directly observable variables and carbon pools. We demonstrate for North-West European Shelf (NWES) sea environment, that when the NN trained on a model free run simulation is applied to the NWES reanalysis, it is capable to reproduce the reanalysis outputs for carbon pools. Moreover, unlike the existing NWES reanalysis, the NN ensemble is also capable to provide uncertainty information for the pools. We focus on explainability of the results and demonstrate potential use of the NNs for future climate what-if scenarios. We suggest that model-informed machine learning presents a viable alternative to expensive reanalyses and could complement observational data, wherever they are missing and/or highly uncertain.
• Abstract（参考訳）: 棚の海は炭素の沈降と炭素循環にとって重要であるが、棚の海環境における炭素プールの衛星データはしばしば希薄であり、非常に不確実である。 オルタナティブはリアナリシスによって提供されるが、実行には高価であることが多い。 我々は、ニューラルネットワーク(NN)のアンサンブルを用いて、直接観測可能な変数と炭素プールの関係を結合した物理・生物化学モデルから学習することを提案する。 北西ヨーロッパ棚(NWES)海環境において,モデルフリーランシミュレーションで訓練されたNNがNWES再解析に適用された場合,炭素プールの再解析出力を再現できることを実証した。 さらに、既存のNWESの再解析とは異なり、NNアンサンブルはプールに対する不確実性情報を提供することもできる。 我々は,結果の説明可能性に焦点をあて,今後の気候変動シナリオにおけるNNの活用の可能性を示す。 モデルインフォームド機械学習は高価なリアナリシスの代替となる可能性があり、欠落している場合や不確実な場合には観測データを補完できる可能性が示唆された。

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)
• Enhancing Carbon Emission Reduction Strategies using OCO and ICOS data [40.572754656757475]
  我々は,OCO-2(Orbiting Carbon Observatories)とOCO-3(Orbiting Carbon Observatories)の衛星データとICOS(Integrated Carbon Observation System)の地上観測とECMWFリアナリシスv5(ERA5)の気象データを統合することで,局部的なCO2モニタリングを強化する手法を提案する。 衛星観測から地上レベルCO2を予測するために,K-nearest neighbor (KNN) と機械学習モデルを用いて,3.92ppmのルート平均正方形誤差を達成した。
  論文  参考訳（メタデータ） (2024-10-05T21:23:58Z)
• Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
  陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。 観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。 我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、過去の流れの測定を用いて検証する。
  論文  参考訳（メタデータ） (2024-04-22T14:21:37Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Predicting Critical Biogeochemistry of the Southern Ocean for Climate Monitoring [1.8689461238197955]
  我々は、南洋のケイ酸塩とリン酸塩の値を、温度、圧力、塩分濃度、酸素、硝酸塩、位置から予測するためにニューラルネットワークを訓練する。 これらのモデルを地球系モデル(ESM)およびBGC-Argoデータに適用し、この海洋観測ネットワークの有用性を拡大する。
  論文  参考訳（メタデータ） (2021-10-30T00:13:46Z)

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。