論文の概要: In-context learning enables continental-scale subsurface temperature prediction from sparse local observations

• arxiv url: http://arxiv.org/abs/2605.16665v1
• Date: Fri, 15 May 2026 22:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.899409
• Title: In-context learning enables continental-scale subsurface temperature prediction from sparse local observations
• Title（参考訳）: In-context Learningは、スパース局所観測による大陸規模の地下温度予測を可能にする
• Authors: Daniel O'Malley, Christopher W. Johnson, Javier E. Santos, Pablo Lara, Sandro Malusà, Bharat Srikishan, John Kath, Arnab Mazumder, Mohamed Mehana, David Coblentz, Nathan DeBardeleben, Earl Lawrence, Hari Viswanathan,
• Abstract要約: インコンテキスト学習は、大陸規模の地下のキャラクタリゼーションにスパースボアホール観測を用いることができる。 モデルがアルバータ州、オーストラリア、イギリスに適応するのは、推論時に20の局所的な観測のみである。 解釈可能性解析は、モデルがトレーニング中に観測されない地下特性の内部表現を学習することを示している。
• 参考スコア（独自算出の注目度）: 2.9599087767908423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continental-scale knowledge of subsurface temperature is limited by the cost and sparsity of borehole measurements, but such information is essential for geothermal resource assessment and for understanding heat transport in the shallow crust. The thermal field reflects the interaction between lithology, crustal structure, radiogenic heat production, and advective fluid flow, sometimes producing sharp anomalies that are smoothed by conventional interpolation or difficult to capture with physical models. Here we introduce In-Context Earth, a transformer-based model that uses sparse local borehole observations as geological context to predict continuous temperature-at-depth fields with calibrated uncertainty. In the contiguous United States, the model achieves a mean absolute error of 4.7 °C, outperforming the physics-informed Stanford Thermal Model, a model based on AlphaEarth embeddings, the multimodal Transparent Earth model, and universal kriging, while resolving sharper thermal gradients in geothermal provinces. Its uncertainty estimates are well calibrated, with a Kolmogorov-Smirnov statistic of 2.5%. Without finetuning, the model adapts to Alberta, Australia, and the United Kingdom (UK) using only 20 local observations at inference time, maintaining high accuracy in geologically distinct test regions with a mean absolute error of 2.2 °C in Alberta, 6.2 °C in Australia, and 5.4 °C in the UK. Interpretability analyses show that the model learns internal representations of subsurface properties it never observes during training, including seismic velocities, geochemistry, and crustal structure, and uses these representations in physically consistent ways. More broadly, this work shows that in-context learning can use sparse borehole observations for continental-scale subsurface characterization, without requiring dense measurements or region-specific retraining.
• Abstract（参考訳）: 地下温度の大陸規模の知識は、ボーリングホール測定のコストと空間性によって制限されるが、これらの情報は地熱資源の評価や浅部地殻の熱輸送の理解に不可欠である。 熱場は、リソロジー、地殻構造、放射線発生熱発生、および対流流の相互作用を反映し、時として従来の補間や物理的モデルによる捕獲が困難である鋭い異常を生じさせる。 In-Context Earth(イン・コンテクスト・アース)は、局地的ボーアホール観測を地質学的文脈として用いて、キャリブレーションされた不確実性を伴う連続した温度-深度場の予測を行うトランスフォーマーモデルである。 連続したアメリカ合衆国では、このモデルは4.7°Cの平均的な絶対誤差を達成し、物理学的なインフォームド・スタンフォード熱モデル、AlphaEarthの埋め込みに基づくモデル、マルチモーダルな透明地球モデル、そして普遍的なクリギングを上回り、地熱地帯のより鋭い熱勾配を解き放つ。 その不確実性の推定値はよく調整されており、コルモゴロフ=スミルノフ統計は2.5%である。 微調整なしでは、このモデルは推論時に20の局所的な観測しか使わず、アルバータ州では2.2°C、オーストラリアでは6.2°C、イギリスでは5.4°Cと地質学的に異なる試験領域では高い精度を維持している。 解釈可能性分析は、このモデルが、地震速度、地球化学、地殻構造を含む訓練中に観測されない地下特性の内部表現を学習し、これらの表現を物理的に一貫した方法で使用することを示している。 より広範に、この研究は、高密度な測定や地域固有の再訓練を必要とせず、大陸規模の地下のキャラクタリゼーションに、文脈内学習がスパースボアホールの観測を利用できることを示している。

関連論文リスト

• 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)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Predicting the Geothermal Gradient in Colombia: a Machine Learning Approach [0.0]
  地熱勾配の決定は 特定の地域の地熱エネルギーポテンシャルを評価するのに 不可欠です 地熱勾配の予測に教師付き機械学習の最近の進歩を活用するアプローチを提案する。 我々は,本モデルの予測精度が12%以内であり,他の著者による独立測定値が本モデルとよく一致していることを示す。
  論文  参考訳（メタデータ） (2024-04-08T04:18:54Z)
• 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)
• 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)
• Dynamical Landscape and Multistability of a Climate Model [64.467612647225]
  2つの気候モデルのうちの1つで第3の中間安定状態が見つかる。 我々のアプローチを組み合わせることで、海洋熱輸送とエントロピー生産の負のフィードバックが地球の気候の地形をどのように大きく変えるかを特定することができる。
  論文  参考訳（メタデータ） (2020-10-20T15:31:38Z)

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。