論文の概要: AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems

• arxiv url: http://arxiv.org/abs/2602.01614v1
• Date: Mon, 02 Feb 2026 04:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.895438
• Title: AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems
• Title（参考訳）: AgroFlux: 農業生態系における炭素・窒素フラックス予測のための時空間ベンチマーク
• Authors: Qi Cheng, Licheng Liu, Yao Zhang, Mu Hong, Yiqun Xie, Xiaowei Jia,
• Abstract要約: 本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
• 参考スコア（独自算出の注目度）: 32.91715282741263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agroecosystem, which heavily influenced by human actions and accounts for a quarter of global greenhouse gas emissions (GHGs), plays a crucial role in mitigating global climate change and securing environmental sustainability. However, we can't manage what we can't measure. Accurately quantifying the pools and fluxes in the carbon, nutrient, and water nexus of the agroecosystem is therefore essential for understanding the underlying drivers of GHG and developing effective mitigation strategies. Conventional approaches like soil sampling, process-based models, and black-box machine learning models are facing challenges such as data sparsity, high spatiotemporal heterogeneity, and complex subsurface biogeochemical and physical processes. Developing new trustworthy approaches such as AI-empowered models, will require the AI-ready benchmark dataset and outlined protocols, which unfortunately do not exist. In this work, we introduce a first-of-its-kind spatial-temporal agroecosystem GHG benchmark dataset that integrates physics-based model simulations from Ecosys and DayCent with real-world observations from eddy covariance flux towers and controlled-environment facilities. We evaluate the performance of various sequential deep learning models on carbon and nitrogen flux prediction, including LSTM-based models, temporal CNN-based model, and Transformer-based models. Furthermore, we explored transfer learning to leverage simulated data to improve the generalization of deep learning models on real-world observations. Our benchmark dataset and evaluation framework contribute to the development of more accurate and scalable AI-driven agroecosystem models, advancing our understanding of ecosystem-climate interactions.
• Abstract（参考訳）: 温室効果ガス排出量(GHGs)の4分の1を占めるアグロエコシステム(Agroecosystem)は、地球温暖化を緩和し、環境の持続可能性を確保する上で重要な役割を担っている。 しかし、計測できないものを管理することはできません。 したがって、GHGの根底にある要因を理解し、効果的な緩和戦略を開発するためには、アグロ生態系の炭素、栄養および水ネクサス中のプールとフラックスを正確に定量化することが不可欠である。 土壌サンプリング、プロセスベースモデル、ブラックボックス機械学習モデルといった従来のアプローチは、データ空間性、高時空間不均一性、複雑な地下生物地球化学的および物理的プロセスといった課題に直面している。 AIを活用したモデルのような新しい信頼できるアプローチを開発するには、残念ながら存在しないAI対応のベンチマークデータセットと概説されたプロトコルが必要である。 本研究では,Ecosys と DayCent の物理モデルシミュレーションと,渦状共分散フラックスタワーと制御環境施設の実際の観測を統合した,一級時空間アグロエコシステム GHG ベンチマークデータセットを提案する。 LSTMモデル,時間CNNモデル,トランスフォーマーモデルなど,炭素および窒素フラックス予測における逐次ディープラーニングモデルの性能評価を行った。 さらに、実世界の観測における深層学習モデルの一般化を改善するために、シミュレーションデータを活用するためのトランスファーラーニングについて検討した。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与し、生態系と気候の相互作用の理解を深めます。

関連論文リスト

• X-MethaneWet: A Cross-scale Global Wetland Methane Emission Benchmark Dataset for Advancing Science Discovery with AI [15.813459313530625]
  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。
  論文  参考訳（メタデータ） (2025-05-23T20:24:09Z)
• LLM-based Evaluation Policy Extraction for Ecological Modeling [22.432508855430797]
  多くの重要なアプリケーションにおけるモデル性能のベンチマークには,エコロジー時系列の評価が不可欠である。 伝統的な数値メトリクスは、生態学的プロセスに不可欠なドメイン固有の時間的パターンを捉えるのに失敗する。 本稿では,大規模言語モデル(LLM)に基づく自然言語ポリシー抽出とメトリック学習を統合した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） (2025-05-20T01:02:29Z)
• EnviroPiNet: A Physics-Guided AI Model for Predicting Biofilter Performance [0.9895793818721335]
  本稿では,Buckingham Pi理論のバイオフィルタ性能のモデル化への応用について述べる。 この次元削減技術は、予測精度を高める意味のある無次元変数を識別する。 本研究では,従来のデータ駆動方式と比較した物理誘導モデルであるEnviroPiNetを開発した。
  論文  参考訳（メタデータ） (2025-04-24T13:52:51Z)
• 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)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• 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)
• 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)
• Machine Learning for Robust Identification of Complex Nonlinear Dynamical Systems: Applications to Earth Systems Modeling [8.896888286819635]
  カオスを示すシステムは地球科学の至るところに分布している。 システム同定は、気候科学における課題である。 我々は,気候科学におけるベンチマークモデルとして,2レベルロレンツ-96のカオスシステムを考える。
  論文  参考訳（メタデータ） (2020-08-12T22:37:12Z)

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。