論文の概要: Developing a Sequential Deep Learning Pipeline to Model Alaskan Permafrost Thaw Under Climate Change

• arxiv url: http://arxiv.org/abs/2510.06258v1
• Date: Sun, 05 Oct 2025 01:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.069254
• Title: Developing a Sequential Deep Learning Pipeline to Model Alaskan Permafrost Thaw Under Climate Change
• Title（参考訳）: 気候変動下でのアラスカの永久凍土のモデル化のためのシークエンシャルディープラーニングパイプラインの開発
• Authors: Addina Rahaman,
• Abstract要約: 気候の変化は天然の永久凍土の融解サイクルを脅かし、年間0degC以上の土壌温度をもたらす。 アラスカ州では、活性層として知られる最上部の永久凍土層の温暖化が、炭素貯蔵量の増加による温室効果ガス放出の上昇を示唆している。 本研究では,複数の深度にまたがる年間土壌温度をモデル化するための概念的緯度に基づく深層学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Changing climate conditions threaten the natural permafrost thaw-freeze cycle, leading to year-round soil temperatures above 0{\deg}C. In Alaska, the warming of the topmost permafrost layer, known as the active layer, signals elevated greenhouse gas release due to high carbon storage. Accurate soil temperature prediction is therefore essential for risk mitigation and stability assessment; however, many existing approaches overlook the numerous factors driving soil thermal dynamics. This study presents a proof-of-concept latitude-based deep learning pipeline for modeling yearly soil temperatures across multiple depths. The framework employs dynamic reanalysis feature data from the ERA5-Land dataset, static geologic and lithological features, sliding-window sequences for seasonal context, a derived scenario signal feature for long-term climate forcing, and latitude band embeddings for spatial sensitivity. Five deep learning models were tested: a Temporal Convolutional Network (TCN), a Transformer, a 1-Dimensional Convolutional Long-Short Term Memory (Conv1DLSTM), a Gated-Recurrent Unit (GRU), and a Bidirectional Long-Short Term Memory (BiLSTM). Results showed solid recognition of latitudinal and depth-wise temperature discrepancies, with the GRU performing best in sequential temperature pattern detection. Bias-corrected CMIP5 RCP data enabled recognition of sinusoidal temperature trends, though limited divergence between scenarios were observed. This study establishes an end-to-end framework for adopting deep learning in active layer temperature modeling, offering seasonal, spatial, and vertical temperature context without intrinsic restrictions on feature selection.
• Abstract（参考訳）: 気候の変化は天然の永久凍土の融解サイクルを脅かし、年間0{\deg}Cを超える土壌温度をもたらす。 アラスカ州では、活性層として知られる最上部の永久凍土層の温暖化が、炭素貯蔵量の増加による温室効果ガス放出の上昇を示唆している。 したがって、土壌温度の正確な予測は、リスク軽減と安定性評価に不可欠であるが、既存の多くのアプローチは、土壌の熱力学を駆動する多くの要因を見落としている。 本研究では,複数の深度にまたがる年間土壌温度をモデル化するための概念的緯度に基づく深層学習パイプラインを提案する。 このフレームワークは、ERA5-Landデータセットからの動的再解析特徴データ、静的地質学的および岩相的特徴、季節的文脈のスライディングウインドウシーケンス、長期気象観測のための派生シナリオ信号特徴、空間感度のための緯度帯埋め込みを用いている。 5つのディープラーニングモデルがテストされた: 時間的畳み込みネットワーク(TCN)、変換器、1次元の畳み込み長短項記憶(Conv1DLSTM)、GRU(Gated-Recurrent Unit)、双方向長短項記憶(BiLSTM)。 その結果,GRUは逐次温度パターン検出に最適であり,緯度温度と深度温度の差が強く認識された。 Bias-corrected CMIP5 RCP data could recognized of sinusoidal temperature trend, although limited divergence between scenarios was observed。 本研究では,機能選択に固有の制約を伴わずに,季節,空間,垂直の温度コンテキストを提供する,アクティブ層温度モデリングにおけるディープラーニングのエンド・ツー・エンドフレームワークを確立する。

関連論文リスト

• LUCIE-3D: A three-dimensional climate emulator for forced responses [2.2017231371066672]
  LUCIE-3Dは軽量な3次元気候エミュレータである。 大気の垂直構造を捉え、気候変動の強制に反応し、長期安定して計算効率を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-09-02T07:59:23Z)
• ClimDetect: A Benchmark Dataset for Climate Change Detection and Attribution [6.919867656801517]
  ClimDetectは、目標の気候変動指標変数と組み合わせた1日当たりの1.17万の気候スナップショットからなる標準化データセットである。 このデータセットは、CMIP6気候モデルシミュレーションと実世界の観測アシミュレートされた再分析データセットの両方から算出される。 私たちはまた、気候変動検出タスクのためにこれまで試みられていない新しいアプローチである、気候変動データへのビジョントランスフォーマー(ViT)の適用についても検討しています。
  論文  参考訳（メタデータ） (2024-08-28T17:58:53Z)
• An Autoencoder Architecture for L-band Passive Microwave Retrieval of Landscape Freeze-Thaw Cycle [2.539420625905208]
  温暖化に伴う永久凍土の応答を理解するためには,北半球の景観と土壌凍土の動態を推定することが重要である。 深部畳み込み自己エンコーダニューラルネットワークに基づくLバンドマイクロ波ラジオメトリーを用いたFTサイクル検索のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-04T18:40:50Z)
• Global Vegetation Modeling with Pre-Trained Weather Transformers [2.238622204691961]
  我々は、植物活動のモデル化のために、利用可能なFourCastNetを適応させる。 我々は、大気の状態の学習されたグローバルな表現が、正規化差分植生指標(NDVI)をモデル化するためにどのように転送できるかを検討する。 我々は,事前学習した気象モデルを利用することで,NDVIモデルをスクラッチから学習するよりもNDVI推定を改善することを示した。
  論文  参考訳（メタデータ） (2024-03-27T10:45:16Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for localized surface temperature forecasting in an urban environment [29.94873599943544]
  本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。 米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
  論文  参考訳（メタデータ） (2021-02-04T21:21:21Z)

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。