論文の概要: Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems

• arxiv url: http://arxiv.org/abs/2605.19366v1
• Date: Tue, 19 May 2026 04:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.133168
• Title: Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems
• Title（参考訳）: 環境科学問題に対する高精度・効率的・説明可能な深層学習手法
• Authors: Jimeng Shi,
• Abstract要約: 論文は、複雑な環境科学の問題に合わせたAIベースのアプローチを開発する。 まず,沿岸河川システムにおける洪水予測と管理に注目した。 第2に、大規模なデータスケールによる地球規模の天気予報を目標としている。 第3に,環境科学における科学的問いかけについて述べる。
• 参考スコア（独自算出の注目度）: 1.6208280868940619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environmental science plays a pivotal role in safeguarding ecosystems, a domain driven by large-scale, heterogeneous data. In the big data era, artificial intelligence (AI) has emerged as a transformative tool for learning patterns and supporting decision-making. This dissertation develops AI-based approaches tailored to complex environmental science problems to achieve Environmental Intelligence, studying three specific challenges. First, we focus on flood prediction and management in coastal river systems. Conventional physics-based models are computationally intensive, limiting real-time application. To overcome this, we propose a deep learning (DL)-based model, WaLeF, for water level forecasting, and a forecast-informed DL model, FIDLAr, to manage water levels. Evaluated in a flood-prone coastal system in South Florida characterized by extreme rainfall and sea level fluctuations, FIDLAr outperforms baselines in accuracy and efficiency while providing interpretable outputs. Second, we target global weather prediction, which is challenged by massive data scale. Traditional physics methods are deterministic and computationally heavy. We propose CoDiCast, a conditional diffusion model tailored for probabilistic weather forecasting. Adapted from generative AI for predictive tasks, experiments show CoDiCast achieves accurate, efficient forecasts with explicit uncertainty quantification. Lastly, we address scientific question-answering in environmental science. When answering in-domain questions, large language models (LLMs) often suffer from hallucinations due to out-of-date or limited knowledge. While retrieval-augmented generation (RAG) retrieves domain-specific knowledge, existing methods trade off accuracy, efficiency, or explainability. We propose Hypercube-RAG, built on a structured text cube framework, which successfully exhibits all three properties simultaneously.
• Abstract（参考訳）: 環境科学は、大規模で異質なデータによって駆動される領域である生態系の保護において重要な役割を担っている。 ビッグデータ時代において、人工知能(AI)は、パターンを学習し、意思決定をサポートするための変革的なツールとして登場した。 この論文は、環境知能を達成するための複雑な環境科学問題に適したAIベースのアプローチを開発し、3つの特定の課題を研究する。 まず,沿岸河川システムにおける洪水予測と管理に注目した。 従来の物理学に基づくモデルは計算集約的であり、リアルタイムの応用を制限している。 そこで本研究では,水位予測のための深層学習(DL)モデルWaLeFと,水位管理のための予測インフォームドDLモデルFIDLArを提案する。 南フロリダの豪雨や海面変動を特徴とする浸水性沿岸システムにおいて評価され、FIDLArは解釈可能な出力を提供しながら、ベースラインを精度と効率で上回っている。 第2に、大規模なデータスケールによる地球規模の天気予報を目標としている。 伝統的な物理学の手法は決定論的であり、計算的に重い。 本稿では,確率的天気予報に適した条件拡散モデルであるCoDiCastを提案する。 生成AIから予測タスクに適応した実験は、CoDiCastが明確な不確実性定量化を伴う正確で効率的な予測を達成することを示す。 最後に,環境科学における科学的問いかけについて述べる。 ドメイン内の質問に答える場合、大きな言語モデル(LLM)は、しばしば最新の知識や限られた知識のために幻覚に悩まされる。 検索強化生成(RAG)はドメイン固有の知識を検索するが、既存の手法では正確性、効率性、説明性をトレードオフする。 構造化されたテキストキューブフレームワーク上に構築されたHypercube-RAGを提案する。

関連論文リスト

• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• 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)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)

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。