論文の概要: Static and auto-regressive neural emulation of phytoplankton biomass dynamics from physical predictors in the global ocean

• arxiv url: http://arxiv.org/abs/2602.04689v1
• Date: Wed, 04 Feb 2026 15:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.605614
• Title: Static and auto-regressive neural emulation of phytoplankton biomass dynamics from physical predictors in the global ocean
• Title（参考訳）: 大洋における物理予測器からの植物プランクトンバイオマス動態の静的及び自己回帰的神経エミュレーション
• Authors: Mahima Lakra, Ronan Fablet, Lucas Drumetz, Etienne Pauthenet, Elodie Martinez,
• Abstract要約: フィトクトンは海洋食物網の基礎であり、生態学的プロセスと地球規模の生物地球化学的サイクルの両方を駆動している。 その生態学的および気候学的重要性にもかかわらず、植物プランクトン力学は数値的な生物地球化学モデルにとって依然として課題である。
• 参考スコア（独自算出の注目度）: 8.888913353055276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phytoplankton is the basis of marine food webs, driving both ecological processes and global biogeochemical cycles. Despite their ecological and climatic significance, accurately simulating phytoplankton dynamics remains a major challenge for biogeochemical numerical models due to limited parameterizations, sparse observational data, and the complexity of oceanic processes. Here, we explore how deep learning models can be used to address these limitations predicting the spatio-temporal distribution of phytoplankton biomass in the global ocean based on satellite observations and environmental conditions. First, we investigate several deep learning architectures. Among the tested models, the UNet architecture stands out for its ability to reproduce the seasonal and interannual patterns of phytoplankton biomass more accurately than other models like CNNs, ConvLSTM, and 4CastNet. When using one to two months of environmental data as input, UNet performs better, although it tends to underestimate the amplitude of low-frequency changes in phytoplankton biomass. Thus, to improve predictions over time, an auto-regressive version of UNet was also tested, where the model uses its own previous predictions to forecast future conditions. This approach works well for short-term forecasts (up to five months), though its performance decreases for longer time scales. Overall, our study shows that combining ocean physical predictors with deep learning allows for reconstruction and short-term prediction of phytoplankton dynamics. These models could become powerful tools for monitoring ocean health and supporting marine ecosystem management, especially in the context of climate change.
• Abstract（参考訳）: 植物プランクトンは海洋食物網の基礎であり、生態学的プロセスと地球規模の生物地球化学的サイクルの両方を駆動している。 その生態学的および気候学的重要性にもかかわらず、植物プランクトン力学を正確にシミュレーションすることは、限られたパラメータ化、希少な観測データ、海洋過程の複雑さによって、生物地球化学的数値モデルにとって大きな課題である。 本稿では、衛星観測と環境条件に基づいて、海洋における植物プランクトンバイオマスの時空間分布を予測するために、深層学習モデルがどのように利用できるかを検討する。 まず,いくつかのディープラーニングアーキテクチャについて検討する。 試験されたモデルの中で、UNetアーキテクチャは、CNN、ConvLSTM、および4CastNetのような他のモデルよりも、植物プランクトンバイオマスの季節的および年間パターンをより正確に再現する能力で際立っている。 1〜2ヶ月の環境データを入力として使用する場合、UNetは植物プランクトンバイオマスの低周波変化の振幅を過小評価する傾向にある。 したがって、時間とともに予測を改善するために、UNetの自動回帰バージョンもテストされた。 このアプローチは短期的な予測(最大5ヶ月)ではうまく機能するが、パフォーマンスはより長い時間スケールで低下する。 本研究は,海洋物理予測器と深層学習を組み合わせることで,植物プランクトン力学の復元と短期予測を可能にすることを示す。 これらのモデルは、特に気候変動の文脈において、海洋の健康を監視し、海洋生態系管理をサポートする強力なツールになる可能性がある。

関連論文リスト

• Eddy-Resolving Global Ocean Forecasting with Multi-Scale Graph Neural Networks [0.0]
  本研究では,10日間のグローバル予測のためのマルチスケールグラフニューラルネットワークに基づく海洋モデルを提案する。 このモデルはエンコーダ・プロセッサ・デコーダアーキテクチャを採用し、異なる解像度の2つの球面メッシュを使用して、海洋力学のマルチスケールの性質をよりよく捉えている。
  論文  参考訳（メタデータ） (2026-01-19T07:11:08Z)
• Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings [48.54230513143053]
  本研究は,AlphaEarth Foundationの埋設物が,流域特性を説明するためのより有益な方法であるかどうかを考察する。 トレーニングに使用しない流域内の流れを予測した場合, 精度の高いモデルが得られた。
  論文  参考訳（メタデータ） (2026-01-04T15:14:16Z)
• Leveraging an Atmospheric Foundational Model for Subregional Sea Surface Temperature Forecasting [0.0]
  深層学習モデルを用いて,カナリア大水系における海水温度(SST)の予測を行う。 このモデルを高分解能海洋分析データを用いて微調整することにより、複雑なパターンを捉える能力を実証する。 このモデルは大規模なSST構造を再現することに成功したが、沿岸部でより細部を捉えることの難しさに直面している。
  論文  参考訳（メタデータ） (2025-10-29T14:30:12Z)
• Advancing Seasonal Prediction of Tropical Cyclone Activity with a Hybrid AI-Physics Climate Model [2.5701544858386396]
  機械学習モデルは天気予報で成功し、気候シミュレーションの進歩を示している。 Googleが開発したハイブリッドML物理大気モデルであるNeural General Circulation Model (NeuralGCM)を用いて,この実現可能性を示す。
  論文  参考訳（メタデータ） (2025-04-30T19:42:16Z)
• Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
  我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。 その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。 本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
  論文  参考訳（メタデータ） (2024-06-12T20:29:14Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Modeling Cell Populations Measured By Flow Cytometry With Covariates Using Sparse Mixture of Regressions [2.5463557459240955]
  海は植物プランクトンと呼ばれる微細藻で満たされており、陸地にあるすべての植物と同じ量の光合成を担っている。 我々の温暖化に対する反応を予測する能力は、植物プランクトン個体群の動態が環境条件の変化にどのように影響するかを理解することに依存している。 現在、海洋学者は移動船上でリアルタイムにフローデータを収集することができ、数千kmにわたって植物プランクトンの分布を詳細に把握することができる。
  論文  参考訳（メタデータ） (2020-08-25T20:03:24Z)

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。