論文の概要: Hybrid Physics-ML Framework for Pan-Arctic Permafrost Infrastructure Risk at Record 2.9-Million Observation Scale

• arxiv url: http://arxiv.org/abs/2510.02189v1
• Date: Thu, 02 Oct 2025 16:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.218844
• Title: Hybrid Physics-ML Framework for Pan-Arctic Permafrost Infrastructure Risk at Record 2.9-Million Observation Scale
• Title（参考訳）: パン・アルキティック永久凍土インフラストラクチャーリスクのためのハイブリッド物理MLフレームワーク
• Authors: Boris Kriuk,
• Abstract要約: 我々は171,605箇所から何百万もの観測結果を統合するハイブリッド物理機械学習フレームワークを提案する。 当社のフレームワークは,世界最大の永久凍土MLデータセットである。 北極インフラのための最初のハイブリッド物理ML予測システムを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Arctic warming threatens over 100 billion in permafrost-dependent infrastructure across Northern territories, yet existing risk assessment frameworks lack spatiotemporal validation, uncertainty quantification, and operational decision-support capabilities. We present a hybrid physics-machine learning framework integrating 2.9 million observations from 171,605 locations (2005-2021) combining permafrost fraction data with climate reanalysis. Our stacked ensemble model (Random Forest + Histogram Gradient Boosting + Elastic Net) achieves R2=0.980 (RMSE=5.01 pp) with rigorous spatiotemporal cross-validation preventing data leakage. To address machine learning limitations in extrapolative climate scenarios, we develop a hybrid approach combining learned climate-permafrost relationships (60%) with physical permafrost sensitivity models (40%, -10 pp/C). Under RCP8.5 forcing (+5C over 10 years), we project mean permafrost fraction decline of -20.3 pp (median: -20.0 pp), with 51.5% of Arctic Russia experiencing over 20 percentage point loss. Infrastructure risk classification identifies 15% high-risk zones (25% medium-risk) with spatially explicit uncertainty maps. Our framework represents the largest validated permafrost ML dataset globally, provides the first operational hybrid physics-ML forecasting system for Arctic infrastructure, and delivers open-source tools enabling probabilistic permafrost projections for engineering design codes and climate adaptation planning. The methodology is generalizable to other permafrost regions and demonstrates how hybrid approaches can overcome pure data-driven limitations in climate change applications.
• Abstract（参考訳）: 北極圏の温暖化は、北部地域の永久凍土に依存したインフラの1000億以上を脅かすが、既存のリスクアセスメントフレームワークには、時空間の検証、不確実性定量化、および運用上の意思決定支援能力がない。 永久凍土分画データと気候再分析を組み合わせた171,605箇所(2005-2021)から290万件の観測を統合したハイブリッド物理機械学習フレームワークを提案する。 R2=0.980 (RMSE=5.01 pp) を達成するため, 重み付きアンサンブルモデル (Random Forest + Histogram Gradient Boosting + Elastic Net) を試作した。 本研究では,外挿気候シナリオにおける機械学習の限界に対処するため,学習した気候-永久凍土関係 (60%) と物理的永久凍土感受性モデル (40%, -10 pp/C) を組み合わせたハイブリッドアプローチを開発した。 RCP8.5 (+5C over 10年) では, 永久凍土の減少率は-20.3 pp (median: -20.0 pp) であり, 北極ロシアでは51.5%が20ポイント以上減少している。 インフラリスク分類は、空間的に明らかな不確実性マップを持つ15%のハイリスクゾーン(25%の中リスク)を識別する。 当社のフレームワークは,世界最大規模の永久凍土MLデータセットを表現し,北極インフラストラクチャを対象とした初のハイブリッド物理ML予測システムを提供し,エンジニアリング設計コードや気候適応計画のための確率論的永久凍土予測を可能にするオープンソースツールを提供する。 この手法は、他の永久凍土地域に一般化可能であり、ハイブリッドアプローチが、気候変動アプリケーションにおける純粋なデータ駆動の制限を克服する方法を実証する。

関連論文リスト

• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• Refined climatologies of future precipitation over High Mountain Asia using probabilistic ensemble learning [16.488377500674947]
  高山アジアは極域外で最も凍った水が集中しており、19億人以上にとって重要な水源となっている。 13の地域気候モデルから月次降水量を組み合わせた確率論的機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T22:35:24Z)
• Transferring climate change physical knowledge [13.529445977186635]
  本研究では,地球系モデルによりシミュレーションされた地球温度マップから得られた知識を最適に活用し,マージするために機械学習が利用できることを示す。 我々は最先端のアプローチに関して50%以上の不確実性削減に達している。
  論文  参考訳（メタデータ） (2023-09-26T09:24:53Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)

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。