論文の概要: CarbonBench: A Global Benchmark for Upscaling of Carbon Fluxes Using Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2603.09868v1
• Date: Tue, 10 Mar 2026 16:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.451925
• Title: CarbonBench: A Global Benchmark for Upscaling of Carbon Fluxes Using Zero-Shot Learning
• Title（参考訳）: CarbonBench: ゼロショット学習によるカーボンフラックスのスケールアップのためのグローバルベンチマーク
• Authors: Aleksei Rozanov, Arvind Renganathan, Yimeng Zhang, Vipin Kumar,
• Abstract要約: カーボンベンチ(CarbonBench)は、炭素フラックスアップスケーリングにおけるゼロショット空間移動のベンチマークである。 世界中のフラックスタワー567箇所から毎日130万回以上観測されている。 機械学習手法と地球システム科学をブリッジすることで、CarbonBenchはトランスファーラーニング手法の比較を可能にすることを目指している。
• 参考スコア（独自算出の注目度）: 9.490900991393636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately quantifying terrestrial carbon exchange is essential for climate policy and carbon accounting, yet models must generalize to ecosystems underrepresented in sparse eddy covariance observations. Despite this challenge being a natural instance of zero-shot spatial transfer learning for time series regression, no standardized benchmark exists to rigorously evaluate model performance across geographically distinct locations with different climate regimes and vegetation types. We introduce CarbonBench, the first benchmark for zero-shot spatial transfer in carbon flux upscaling. CarbonBench comprises over 1.3 million daily observations from 567 flux tower sites globally (2000-2024). It provides: (1) stratified evaluation protocols that explicitly test generalization across unseen vegetation types and climate regimes, separating spatial transfer from temporal autocorrelation; (2) a harmonized set of remote sensing and meteorological features to enable flexible architecture design; and (3) baselines ranging from tree-based methods to domain-generalization architectures. By bridging machine learning methodologies and Earth system science, CarbonBench aims to enable systematic comparison of transfer learning methods, serves as a testbed for regression under distribution shift, and contributes to the next-generation climate modeling efforts.
• Abstract（参考訳）: 地球の炭素交換の正確な定量化は、気候政策や炭素会計に不可欠であるが、モデルが疎渦の共分散観測で示されていない生態系に一般化する必要がある。 この課題は、時系列レグレッションのためのゼロショット空間移動学習の自然な例であるにもかかわらず、地理的に異なる気候と植生のタイプを持つ場所にわたってモデル性能を厳格に評価するための標準化されたベンチマークは存在しない。 炭素フラックスアップスケーリングにおけるゼロショット空間移動の最初のベンチマークであるCarbonBenchを紹介する。 炭素ベンチは、全世界で567のフラックスタワー(2000-2024)から毎日130万回以上観測されている。 本研究は,(1)異種植生や気候体制の一般化を明確に検証し,空間的移動を時間的自己相関から分離する階層化評価プロトコル,(2)フレキシブルなアーキテクチャ設計を実現するためのリモートセンシングと気象特性の調和セット,(3)ツリーベース手法からドメイン一般化アーキテクチャに至るまでのベースラインを提供する。 機械学習の方法論と地球システム科学をブリッジすることで、CarbonBenchはトランスファーラーニング手法の体系的な比較を可能にし、分散シフトの下で回帰テストベッドとして機能し、次世代の気候モデリングに貢献することを目指している。

関連論文リスト

• Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes [1.3663949573259215]
  本稿では,知識誘導型エンコーダデコーダアーキテクチャと損失関数を結合したTAM-RL(Task-Aware Modulation with Representation Learning)を提案する。 多様な生物や気候体制を表す150以上のフラックスタワーの地点で、TAM-RLは既存の最先端のデータセットと比較して予測性能を改善している。 これらの結果から, 適応表現学習と物理基底制約を組み合わせることで, 地球規模の炭素フラックス推定のロバスト性や伝達性を大幅に向上できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-10T17:59:29Z)
• Role-Aware Conditional Inference for Spatiotemporal Ecosystem Carbon Flux Prediction [32.547109051574836]
  Role-Aware Inference (RACI)は、条件付きエコシステムのフラックス予測を条件付き問題として定式化するプロセスインフォームド学習フレームワークである。 これらの異なる機能的役割を明示的にモデル化することにより、RACIはモデルが様々な環境体制にまたがって予測を適応させることができる。
  論文  参考訳（メタデータ） (2026-03-03T21:29:20Z)
• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  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。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• Standardized Methods and Recommendations for Green Federated Learning [4.07505182773706]
  フェデレートラーニング(FL)は、プライバシに敏感な分散データに対する協調モデルトレーニングを可能にするが、その環境への影響は研究全体で比較することは困難である。 NVIDIA NVFlare と CodeCarbon を用いた FL CO2e 追跡のための実用的な炭素計数手法を提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:46:36Z)
• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Semantic Workflows and Machine Learning for the Assessment of Carbon Storage by Urban Trees [3.7326934284216877]
  本研究は、気候変動に関する政府間パネル(IPCC)のガイドラインに従って、アフリカの地域における炭素貯蔵量を推定する。 我々の知る限りでは、気候変動に関する政府間パネル(IPCC)のガイドラインに従い、アフリカ各地の炭素貯蔵量を推定する最初の研究である。
  論文  参考訳（メタデータ） (2020-09-22T01:30:29Z)

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。