論文の概要: A study of Universal ODE approaches to predicting soil organic carbon

• arxiv url: http://arxiv.org/abs/2509.24306v1
• Date: Mon, 29 Sep 2025 05:42:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.767916
• Title: A study of Universal ODE approaches to predicting soil organic carbon
• Title（参考訳）: 土壌有機炭素予測のためのユニバーサルODE手法に関する研究
• Authors: Satyanarayana Raju G. V. V, Prathamesh Dinesh Joshi, Raj Abhijit Dandekar, Rajat Dandekar, Sreedath Panat,
• Abstract要約: Universal Differential Equations (UDEs) 上に構築されたSciMLフレームワークは土壌の深さと時間にわたってSOCのダイナミクスを予測する。 クリーンでノイズのないベンチマークから,高35%の乗法的空間相関雑音によるストレステストまで,6つの実験事例を評価した。 UDEはスケーラブルで耐雑音性のあるSOC予測に適しているが、現場への展開にはノイズ認識損失関数、確率論的モデリング、微生物力学のより緊密な統合が必要である。
• 参考スコア（独自算出の注目度）: 4.285464959472458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soil Organic Carbon (SOC) is a foundation of soil health and global climate resilience, yet its prediction remains difficult because of intricate physical, chemical, and biological processes. In this study, we explore a Scientific Machine Learning (SciML) framework built on Universal Differential Equations (UDEs) to forecast SOC dynamics across soil depth and time. UDEs blend mechanistic physics, such as advection diffusion transport, with neural networks that learn nonlinear microbial production and respiration. Using synthetic datasets, we systematically evaluated six experimental cases, progressing from clean, noise free benchmarks to stress tests with high (35%) multiplicative, spatially correlated noise. Our results highlight both the potential and limitations of the approach. In noise free and moderate noise settings, the UDE accurately reconstructed SOC dynamics. In clean terminal profile at 50 years (Case 4) achieved near perfect fidelity, with MSE = 1.6e-5, and R2 = 0.9999. Case 5, with 7% noise, remained robust (MSE = 3.4e-6, R2 = 0.99998), capturing depth wise SOC trends while tolerating realistic measurement uncertainty. In contrast, Case 3 (35% noise at t = 0) showed clear evidence of overfitting: the model reproduced noisy inputs with high accuracy but lost generalization against the clean truth (R2 = 0.94). Case 6 (35% noise at t = 50) collapsed toward overly smooth mean profiles, failing to capture depth wise variability and yielding negative R2, underscoring the limits of standard training under severe uncertainty. These findings suggest that UDEs are well suited for scalable, noise tolerant SOC forecasting, though advancing toward field deployment will require noise aware loss functions, probabilistic modelling, and tighter integration of microbial dynamics.
• Abstract（参考訳）: 土壌有機炭素(SOC)は土壌の健康と地球規模の気候回復の基盤であるが、複雑な物理的、化学的、生物学的プロセスのために予測は難しいままである。 本研究では,ユニバーサル微分方程式(UDE)に基づく科学機械学習(SciML)フレームワークを探索し,土壌深度と時間にわたってSOCのダイナミクスを予測する。 UDEは、対流拡散輸送のような力学物理学と非線形微生物の生成と呼吸を学習するニューラルネットワークをブレンドする。 合成データセットを用いて、クリーンでノイズのないベンチマークから、高い35%の乗法的空間相関雑音によるストレステストまで、6つの実験事例を体系的に評価した。 私たちの結果は、このアプローチの可能性と限界の両方を強調します。 ノイズフリーで中程度のノイズ設定では、UDEは正確にSOCダイナミクスを再構成した。 50年間のクリーンターミナルプロファイル(ケース4)では、MSE = 1.6e-5、R2 = 0.9999 でほぼ完全な忠実度を達成した。 ケース5は7%のノイズで頑健であり(MSE = 3.4e-6, R2 = 0.99998)、現実的な測定の不確かさを許容しながら深度SOCの傾向を捉えた。 対照的に、ケース3(t = 0 における35%のノイズ)は、過適合の明確な証拠を示した: モデルは高い精度でノイズ入力を再現したが、クリーン真理に対して一般化を失った(R2 = 0.94)。 ケース6(t = 50で35%のノイズ)は、過度に滑らかな平均プロファイルに向かって崩壊し、深さの賢い変動を捉え、負のR2を生じさせず、厳しい不確実性の下での標準トレーニングの限界を暗示した。 これらの結果から,UDEは拡張性,耐雑音性,SOC予測に適しているが,現場への展開にはノイズ認識損失関数,確率的モデリング,微生物力学のより緊密な統合が必要であることが示唆された。

関連論文リスト

• A Statistical Evaluation of Indoor LoRaWAN Environment-Aware Propagation for 6G: MLR, ANOVA, and Residual Distribution Analysis [6.8093214146903875]
  本研究では,1,328,334フィールドの広範囲なデータセットを用いて,複雑度を捕捉・解析するための2段階のアプローチを提案する。 従来の伝搬測定値と,提案する環境変数による拡張を含む,多重線形回帰モデルを実装した。 分散分析を用いて、これらの環境要因を追加することで、説明できない分散を42.22%削減できることを示した。
  論文  参考訳（メタデータ） (2025-04-23T13:19:35Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels [38.84835238599221]
  流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:28:07Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。