論文の概要: Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes
- arxiv url: http://arxiv.org/abs/2603.09974v2
- Date: Wed, 11 Mar 2026 16:27:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 14:12:44.451395
- Title: Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes
- Title（参考訳）: 表象学習を用いたタスクアウェア変調による地上カーボンフラックスのアップセーリング
- Authors: Aleksei Rozanov, Arvind Renganathan, Vipin Kumar,
- Abstract要約: 既存のデータ駆動のアップスケーリング製品は、観測されたドメインを超えて一般化できないことが多い。
表象学習(TAM-RL)を用いたタスク・アウェア・モジュレーション(タスク・アウェア・モジュレーション)について紹介する。
TAM-RLは既存の最先端データセットと比較して予測性能を改善する。
- 参考スコア（独自算出の注目度）: 1.3663949573259215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately upscaling terrestrial carbon fluxes is central to estimating the global carbon budget, yet remains challenging due to the sparse and regionally biased distribution of ground measurements. Existing data-driven upscaling products often fail to generalize beyond observed domains, leading to systematic regional biases and high predictive uncertainty. We introduce Task-Aware Modulation with Representation Learning (TAM-RL), a framework that couples spatio-temporal representation learning with knowledge-guided encoder-decoder architecture and loss function derived from the carbon balance equation. Across 150+ flux tower sites representing diverse biomes and climate regimes, TAM-RL improves predictive performance relative to existing state-of-the-art datasets, reducing RMSE by 8-9.6% and increasing explained variance (R2) from 19.4% to 43.8%, depending on the target flux. These results demonstrate that integrating physically grounded constraints with adaptive representation learning can substantially enhance the robustness and transferability of global carbon flux estimates.
- Abstract（参考訳）: 正確な上昇する地球規模の炭素フラックスは、地球規模の炭素収支を推定する上で中心的な存在であるが、地上測定の緩やかで偏りのある分布のため、依然として困難である。
既存のデータ駆動のアップスケーリング製品は、観測された領域を超えて一般化することができないことが多く、体系的な地域バイアスと高い予測の不確実性をもたらす。
本稿では, 時間空間表現学習と知識誘導型エンコーダデコーダアーキテクチャ, 炭素収支方程式から導出した損失関数を結合したTAM-RL(Task-Aware Modulation with Representation Learning)を提案する。
生物や気候の多様さを表す150以上のフラックスタワーで、TAM-RLは既存の最先端データセットと比較して予測性能を改善し、RMSEを8-9.6%減らし、説明分散(R2)を19.4%から43.8%に増やした。
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。
関連論文リスト
- CarbonBench: A Global Benchmark for Upscaling of Carbon Fluxes Using Zero-Shot Learning [9.490900991393636]
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。
論文 参考訳（メタデータ） (2026-03-10T16:33:28Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results [8.556682505387199]
FTBSC-KGMLは、事前学習と微調整に基づく空間変数認識、知識誘導型機械学習フレームワークである。
移動学習と空間的不均一性を活用しながら、土地の放出を推定する。
これは純粋にグローバルなモデルよりも低い検証誤差と説明力の整合性を達成する。
論文 参考訳（メタデータ） (2025-12-17T22:40:54Z) - AI-Driven Carbon Monitoring: Transformer-Based Reconstruction of Atmospheric CO2 in Canadian Poultry Regions [0.0]
カナダ南部のOCO-2から連続的で不確実なXCO2フィールドを再構築する枠組みを提案する。
このモデルはウェーブレットの時間周波数表現を、気象学、植生指標、地形、土地被覆に対するトランスフォーマーの注意と融合させる。
論文 参考訳（メタデータ） (2025-10-26T10:41:12Z) - Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳（メタデータ） (2025-10-08T10:09:47Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - Angles Don't Lie: Unlocking Training-Efficient RL Through the Model's Own Signals [49.17123504516502]
大規模言語モデル(LLM)のためのRFTパラダイムは、均一なデータサンプリングの下で同じクエリが冗長に露出するため、効率が悪い。
グラディエント駆動型アングルインフォームドナビゲーションRLフレームワークを提案する。
モデル固有の角度集中信号を利用することで、GAIN-RLは各エポックにおけるトレーニングデータを動的に選択し、一貫したインパクトのある勾配更新を確実にする。
論文 参考訳（メタデータ） (2025-06-02T21:40:38Z) - CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data
Centers [18.54380015603228]
大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。
本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。
固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる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） (2023-11-06T23:59:22Z) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z)
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。